莫卓亞 劉元路

（廣東弓葉科技有限公司，廣東 東莞 523808）

1 基于高光譜的垃圾分選設(shè)備的國內(nèi)外現(xiàn)狀分析

在環(huán)保設(shè)備領(lǐng)域，國外發(fā)達國家的環(huán)保意識較強，投入較早，垃圾分選行業(yè)也相對成熟，多家公司推出了比較成熟的垃圾分選設(shè)備，例如，芬蘭ZenRobotics 公司的Heavy Picker 和Fast Picker、美國BHS 公司的Max-AI、美國AMP公司的Cortex ?機器人、挪威TOMRA 公司的SPEEDAIR 和CYBOT 等。隨著近幾年國內(nèi)科技的進步，尤其是計算機視覺技術(shù)、3D 視覺傳感器技術(shù)和機器人技術(shù)的成熟，國內(nèi)廠家也推出了智能化的垃圾分選設(shè)備，例如廣東弓葉科技有限公司的PiCKiNG·EASY ?和PiCKiNG·Ai ?系列產(chǎn)品，填補了國內(nèi)智能化垃圾分選設(shè)備的空白。

對于垃圾分類的需求來說，如果僅需進行大類的分選，2D 相機加上視覺算法可以實現(xiàn)較好的分類效果。但是如果需要進一步進行精確的材質(zhì)細分，例如區(qū)分塑料中的PE、PVC、PP、ABS 等細分材質(zhì)，則必須要用到高光譜相機。高光譜成像的實現(xiàn)基礎(chǔ)是成像光譜學，其集成了光學成像技術(shù)和光譜分光技術(shù)。高光譜數(shù)據(jù)因其兼具圖像和光譜的功能，可以進行基于光譜的成分分析，獲取更高的分類精度，同時還能通過相機坐標系、機器人坐標系、傳送帶坐標系三者的關(guān)聯(lián)，實現(xiàn)機器人實時抓取。高光譜相機成像技術(shù)最初應用于遙感技術(shù)，裝在衛(wèi)星或者無人機上，采集地表光譜數(shù)據(jù)，現(xiàn)在被引入環(huán)保行業(yè)進行垃圾分類的材質(zhì)識別，是未來垃圾分類領(lǐng)域的一個重要方向。

2 基于高光譜分選設(shè)備的關(guān)鍵技術(shù)

高光譜分選設(shè)備的關(guān)鍵技術(shù)主要包括分類算法和控制系統(tǒng)2 個部分。分類算法分為基于光譜相似度匹配的分類算法和基于機器學習的分類算法。控制系統(tǒng)包括視覺系統(tǒng)、控制中心、輸送系統(tǒng)、執(zhí)行系統(tǒng)等。

2.1 分類算法

高光譜數(shù)據(jù)的分類算法可以分為基于光譜相似度匹配的分類方法和基于機器學習的分類方法2 類。

2.1.1 高光譜相機原理

高光譜相機采集物體的反射光譜，典型的高光譜相機的原理是，光源投射到待測物體上，反射后經(jīng)過相機鏡頭前端的狹縫進入高光譜相機內(nèi)部的核心元件——分光儀。分光儀將每一束光分成多束單色光，投到面陣相機上。面陣相機狹縫的長度方向w 為像素維度，與狹縫垂直方向h 為光譜維度，面陣相機w 和h 2 個方向的分辨率決定著高光譜數(shù)據(jù)的像素分辨率和光譜分辨率。該高光譜相機的使用和線陣相機類似，一行一行的掃描，每一行的數(shù)據(jù)都是面陣相機的數(shù)據(jù)，代表的是w 方向上每個像素點上的h 個光譜數(shù)據(jù)，根據(jù)光譜信息進行光譜分析可以確定其化學組成，以此來鑒別物體的材質(zhì)。

2.1.2 高光譜相機數(shù)據(jù)獲取

根據(jù)高光譜相機原理可知，高光譜相機每一幀數(shù)據(jù)都是面陣相機的二維數(shù)據(jù)，而高光譜數(shù)據(jù)是三維的數(shù)據(jù)，需要對相機采集到的數(shù)據(jù)進行相應的處理后才能獲得。高光譜相機數(shù)據(jù)獲取分為面陣相機數(shù)據(jù)獲取和數(shù)據(jù)拼接2 個部分。

面陣相機數(shù)據(jù)的獲取與普通2D 相機數(shù)據(jù)的獲取過程并無差異，即先調(diào)整圖像質(zhì)量，然后獲取圖像。調(diào)整圖像質(zhì)量時，需要調(diào)節(jié)光源的亮度、相機光圈、焦距大小以及曝光時間等，以獲得最優(yōu)的圖像效果。獲取圖像一般是連續(xù)獲取數(shù)據(jù)，可以按時間間隔觸發(fā)，也可以由外部IO 信號觸發(fā)。如果這個IO 信號是編碼器，就可以實現(xiàn)按照距離觸發(fā)。觸發(fā)間隔有嚴格的要求，以保證拼接后的圖像與實際物體比例一致。

面陣相機數(shù)據(jù)的獲取完成后，還需要對數(shù)據(jù)進行拼接，從而得到高光譜數(shù)據(jù)。高光譜數(shù)據(jù)的格式有3 種，分別為BSQ，BIL 和BIP。BSQ（Band Sequential Format）格式是按波段保存，1 個波段保存后接著保存第2 個波段。這種格式適合對單個光譜波段中任何部分的空間（X，Y）存取。BIL（Band interleaved by line format）格式是按行保存，保存第1個波段的第1 行后，接著保存第2 個波段的第1 行，這種格式提供了空間和光譜處理之間的一種折衷方式。BIP（Band interleaved by pixel format）格式是按像元保存，先保存第1 個波段的第1 個像元，然后保存第2 波段的第1 個像元。該格式為圖像數(shù)據(jù)光譜（Z）的存取提供了最佳性能。高光譜數(shù)據(jù)拼接完成后，通常還需要1 個描述文件，然后可以導入光譜分析軟件進行數(shù)據(jù)處理了。

2.1.3 基于光譜相似度匹配的分類方法

光譜相似度的匹配算法是通過計算測試光譜向量與參考光譜向量之間的相似度來進行分類。光譜相似度的度量標準包括最小距離、光譜角度、光譜信息散度以及光譜相關(guān)性等，其中最小距離度量標準包括曼式距離和歐式距離等。光譜最小距離越小，相似性越大。光譜角度余弦值越大，相似性越大。光譜信息散度值越接近于0，相似性越大。光譜相關(guān)系數(shù)越大，相似性越大。

光譜相似度的匹配算法首先要建立待測物體的光譜庫，然后計算測試光譜與光譜庫中光譜數(shù)據(jù)的相似度，最后根據(jù)相似度數(shù)值以及相似度閾值來判斷物體的類別。光譜相似度匹配算法的重點在于待測物體光譜庫的建立，光譜庫可以是來自標準的光譜庫，也可以是根據(jù)待測物體建立的自定義光譜庫。標準的光譜庫對相機和光源的一致性要求較高，實際上不同的相機、不同的光源、不同的校準條件，得到的光譜曲線并不完全一致，所以標準光譜庫中的數(shù)據(jù)一般只作為參考，工業(yè)應用上需要自定義光譜庫。自定義光譜庫時，首先采集待測物體的光譜數(shù)據(jù)，選取 感興趣區(qū)域（ROI），并對ROI中的數(shù)據(jù)進行端元提取，得到純凈像元，并將該像元的光譜數(shù)據(jù)存入光譜庫。常用的端元提取方法包括內(nèi)部最大體積法（N-FINDER）、純像素索引法（PPI）、凸錐分析（CCA）、頂點成分分析法（VCA）等。

圖1 對比效果圖

2.1.4 基于機器學習的分類方法

基于機器學習的分類方法分為非監(jiān)督分類和監(jiān)督分類。非監(jiān)督分類是指在沒有任何分類先驗知識的情況下，僅依據(jù)數(shù)據(jù)本身的統(tǒng)計特征及自然點群的分布情況來劃分類別的分類方法，代表性的非監(jiān)督分類包括均值聚類算法（K-Means）、迭代自組織數(shù)據(jù)分析算法（Iterative Self-Organizing Data Analysis Technique）[1]。監(jiān)督分類是指以先前提取的訓練樣本作為先驗知識，以對訓練樣本的學習構(gòu)建分類模型，并對其他數(shù)據(jù)進行分類的過程[1]。監(jiān)督分類算法常用的包括高斯最大似然分類法、最小距離分類、K 近鄰、決策樹以及支持向量機等。

由于高光譜數(shù)據(jù)的波段數(shù)通常有200 多個以上，包含豐富的信息，但有很多數(shù)據(jù)冗余，在進行監(jiān)督分類之前，需要對數(shù)據(jù)進行特征提取，選取包含信息量大的波段或者特征來降低數(shù)據(jù)的冗余程度。將原始高維數(shù)據(jù)投影到一個新的低維空間，從而獲得原始數(shù)據(jù)的更精簡的表示，即降維，可以有效減少運算量，提高運算速度。常用的降維方法包括主成分分析（PCA）、線性判別分析（LDA）、回歸系數(shù)法、連續(xù)投影法等。

廣東弓葉科技有限公司的高光譜分析軟件的分類速度和精度，經(jīng)實測已經(jīng)不亞于國外商用高光譜分析軟件。以PV、PS、PP、PE 和PC 等塑料材質(zhì)的分選為例，對比效果如圖1所示。

2.1.5 分類算法加速

由于高光譜數(shù)據(jù)包含3 個維度的信息，是個數(shù)據(jù)立方體，數(shù)據(jù)量很大，因此需要對算法進行優(yōu)化加速，這樣才能滿足工業(yè)上實時分選的需求。分類算法是基于每個像素的光譜數(shù)據(jù)進行運算的，算法加速主要是通過并行運算進行加速。

NVIDIA GPU Computing Toolkit 提供了豐富的教程，可以根據(jù)CUDA 提供的矩陣運算應用開發(fā)庫CUBLAS_Library 進行并行運算加速，也可以參考CUDA C Programming Guide，編寫并行執(zhí)行的核函數(shù)，直接操作GPU 進行并行計算加速。相比于CPU 的串行運算，GPU 的并行運算能夠提高5～10 倍的運算速度。

并行加速的另一種平臺是FPGA，F(xiàn)PGA 器件屬于專用集成電路中的一種半定制電路——可編程的邏輯列陣?；诠庾V相似性匹配算法，可以通過硬件描述語言（HDL）寫入FPGA，實現(xiàn)硬件上的并行，其運算的速度更快。FPGA 的開發(fā)難度較大，并行占用的FPGA 資源較多，需要大容量的FPGA。

2.2 控制系統(tǒng)

高光譜分類算法是分選設(shè)備的基礎(chǔ)，算法層實現(xiàn)以后，就是系統(tǒng)設(shè)計的工作，以實現(xiàn)垃圾分選設(shè)備。高光譜分選設(shè)備控制系統(tǒng)主要包括視覺系統(tǒng)、控制中心、輸送系統(tǒng)、執(zhí)行系統(tǒng)等。

高光譜視覺系統(tǒng)主要包括高光譜相機和光源。高光譜相機目前主要以進口品牌為主，例如芬蘭的SPECIM，挪威的HySpex，比利時的IMEC 等。國產(chǎn)品牌主要是雙利合譜、五鈴光學等。高光譜相機按照光譜的范圍可分為400 nm～1 000 nm的可見光波段相機和900 nm～1 700 nm 的近紅外波段相機等。在近紅外波段，常見待分選垃圾物料的光譜差異較明顯，因此基于高光譜的垃圾分選設(shè)備大多使用的是900 nm～1 700 nm 波段的近紅外高光譜相機。高光譜相機的主要性能指標包括波段數(shù)、光譜分辨率、像素分辨率和幀率等。波段數(shù)量和光譜分辨率決定光譜分類的效果，影響分類的精度。像素分辨率的大小，決定能識別的最小物體的大小。幀率大小定最終分選設(shè)備的最快運行速度。

高光譜相機使用的光源，通常為鎳鎢燈和鹵素燈。其中，鹵素燈是一種特殊的白熾燈，其工作原理是在燈泡內(nèi)注入碘或溴等鹵素氣體，在高溫下，升華的鎢絲與鹵素進行化學作用，冷卻后的鎢會重新凝固在鎢絲上，形成平衡的循環(huán)，避免鎢絲過早斷裂。因此鹵素燈泡比白熾燈更長壽。鹵素燈的光譜范圍可以覆蓋350 nm～2 500 nm，滿足高光譜相機的使用要求，是一種使用最廣泛的高光譜相機光源。

高光譜分選設(shè)備的控制流程為控制中心首先通知高光譜相機進行數(shù)據(jù)采集，高光譜相機數(shù)據(jù)采集完成后，通知控制中心和機器人?？刂浦行慕邮崭吖庾V相機采集的數(shù)據(jù)，同時機器人鎖存該時刻輸送線編碼器的位置。然后控制中心通過高光譜分類算法，得到每個像素識別的物體類別，然后經(jīng)過圖像處理得到物體的輪廓中心位置和旋轉(zhuǎn)角度，并將位置信息發(fā)送給執(zhí)行機構(gòu)。執(zhí)行機構(gòu)通過編碼器實時跟蹤待抓取物體的位置，當物體進入執(zhí)行機構(gòu)的工作范圍后，通過吸取、抓取或者高速吹氣的方式實現(xiàn)垃圾分選。除了高光譜相機進行材質(zhì)識別外，還可以增加2D 彩色相機，利用深度學習對RGB 圖像進行輪廓分割和材質(zhì)識別。通過高光譜相機和2D彩色相機兩者的綜合判斷，可有效解決特殊情況下物體的整體材質(zhì)分類問題，例如表面貼有紙質(zhì)標簽的鐵罐、表面覆蓋塑料膜的紙板等。

高光譜分選設(shè)備的執(zhí)行機構(gòu)分為Delta 機器人、直角坐標坐標機器人或高速氣閥分選設(shè)備。Delta 機器人和直角坐標機器人的末端可以安裝吸盤或者夾爪，實現(xiàn)吸取或者夾取物料，這2 種執(zhí)行機構(gòu)的優(yōu)點是可以同時分選多種物料，投放到不同的位置。基于高速氣閥吹氣的分選設(shè)備，優(yōu)點是分選速度快，但是一臺設(shè)備同時只能實現(xiàn)2 個類別的分選。

3 結(jié)語

該文介紹了基于高光譜的垃圾分選設(shè)備的國內(nèi)外現(xiàn)狀及關(guān)鍵技術(shù)。國內(nèi)的垃圾分選企業(yè)處于剛剛起步的階段，但部分公司在細分市場取得了可喜的進展。雖然目前高光譜相機的成本相對較高，但由于基于高光譜的垃圾分選設(shè)備能夠?qū)崿F(xiàn)精確的材質(zhì)細分，相信隨著技術(shù)的不斷發(fā)展和市場的逐步認可，相信未來，基于高光譜的垃圾分選設(shè)備會廣泛的應用于垃圾分選領(lǐng)域。