隨著塑料制品的廣泛應用，廢棄塑料數量迅速增加，但不同聚合物（如PET、PP、PE等）混雜嚴重，制約了高值化回收利用。傳統人工或密度分選方法效率低且精度有限，而短波近紅外（SWIR）高光譜相機能夠獲取材料在900–1700 nm范圍內的分子振動特征，實現無損、快速識別，已成為智能分選的重要技術手段。研究表明，該技術結合機器學習算法可實現90%以上甚至接近100%的分類精度，為塑料自動化分揀與循環經濟提供關鍵支撐。

盡管SWIR高光譜在塑料識別中表現優異，但實際應用仍面臨多重挑戰。首先，高光譜數據維度高、處理復雜，對算法與計算能力要求較高，增加系統成本；其次，實際廢塑料常存在污染、老化及顏色差異（如黑色塑料），會顯著干擾光譜特征，導致識別精度下降；此外，不同塑料光譜特征相似（如HDPE與LDPE），易產生混淆；最后，設備成本與工業在線應用的穩定性仍需優化。因此，如何實現低成本、高魯棒性和快速處理成為當前研究重點。

在該實驗研究中，選用奧譜天成ATH1010R-17短波近紅外高光譜相機作為核心數據采集設備。該相機采用透射光柵分光方式，光譜覆蓋范圍為900–1700 nm，具備高光譜分辨能力（典型優于6 nm），同時支持高速推掃成像模式，能夠實現對動態傳送帶樣品的連續掃描，滿足工業在線分選需求。此外，ATH1010R-17具備良好的信噪比與穩定性，適用于復雜環境下的塑料材質識別與分析。

實驗中共選取9種常見塑料樣本，包括PET、PE、PVC、PP、PS、PC、POM、ABS及PA等典型工程塑料。訓練樣本統一制備為10 cm ×4 cm ×4 mm的標準片材，以保證建模數據的一致性；驗證樣本則引入不同顏色（含黑色塑料）、不同表面處理（磨砂、光滑）及不規則形狀，以更貼近實際垃圾分選場景中的復雜工況。

在數據采集過程中，通過ATH1010R-17獲取各類塑料樣本的高光譜圖像，并進行標準黑白校正處理，以消除暗電流噪聲及光照不均帶來的影響，提高光譜數據的準確性與可比性。針對單次視場范圍有限的問題，采用多幀圖像拼接方式獲取完整樣本圖像，隨后進行ROI（感興趣區域）提取與平均光譜計算，為后續基于機器學習或深度學習的塑料分類模型構建提供高質量數據基礎。

為提升奧譜天成ATH1010R-17采集數據的質量與可用性，研究團隊對提取的高光譜數據進行了系統化預處理。首先進行光譜裁剪，選取信息量更豐富的1100–1650 nm波段，以降低冗余數據干擾；隨后采用中值濾波與Savitzky-Golay（SG）平滑方法，有效去除隨機噪聲并保留光譜特征形狀；在此基礎上引入標準正態變量變換（SNV），以削弱樣品表面粗糙度及散射效應帶來的影響；最后通過歸一化處理，將不同樣本的反射率統一到同一尺度范圍。經過多步預處理后，光譜曲線特征更加平滑清晰，不同塑料之間的差異被有效放大，為后續建模提供了可靠的數據基礎。

在模型構建方面，研究團隊采用隨機森林（Random Forest）算法進行塑料分類識別。該方法通過構建多棵決策樹并進行集成學習，能夠有效處理高維光譜數據并降低過擬合風險。同時，利用袋外誤差（OOB）對模型進行評估，并通過調節樹的數量、最大深度及特征子集數量等參數進行優化。實驗結果表明，基于ATH1010R-17采集數據訓練得到的隨機森林模型在復雜驗證樣本中表現穩定，對多種塑料類型具有良好的區分能力，整體分類準確率可達97%以上，體現出較強的魯棒性與工程應用價值。

為檢驗模型在實際場景中的泛化能力，研究團隊將訓練完成的隨機森林模型應用于多種復雜擺放狀態下的高光譜圖像，包括平鋪、堆疊及雜亂混合等情況。通過顏色編碼對分類結果進行可視化，結果表明，采用ATH1010R-17采集的高光譜數據能夠在不同工況下實現清晰、穩定的分類顯示。

在各類驗證場景中，隨機森林模型均表現出良好的穩定性與魯棒性，尤其在樣本邊緣區域識別及陰影干擾處理方面具有較優表現。研究結果表明，ATH1010R-17獲取的高光譜數據結合合理的數據預處理與模型算法，能夠實現對不同顏色、形狀及表面狀態塑料的有效識別，具備良好的工程應用潛力。

光譜范圍：0.9~ 1.7 μm

探測器：InGaAs 探測器

波段通道數：640

空間通道數：512

光譜分辨率：5.5nm

探測器原始分辨率：640 X 512

數據格式兼容 ：ENVI

體積 ：370mm x 85mm x 95mm

重量： 小于0.8Kg