中红外光谱为废塑料“验明正身”——FOLI10 在废塑料快速鉴别与化学计量学建模中的应用|品类先锋用户心得

2026/09/16 15:12 I 阅读：358

对于广大采购用户而言，面对市场上成千上万、鱼龙混杂的仪器品牌，如何挑选出靠谱耐用的产品，始终是一件头疼的事。为提升用户的选型效率，帮助用户买到心仪的“大品牌、好仪器、优服务”，品类先锋聚焦高度竞争、快速增长的仪器品类，为用户甄选细分品类中国产/进口TOP5品牌。

品类先锋企业因长期专注于某特定细分市场，不断打磨生产技术或工艺，经受万千用户工作中长期使用的考验，最终在单项产品市场占有率位居全国甚至全球前列，品类先锋仪器也收获了众多用户的好评和使用反馈。今日分享荧飒光学INSA FOLI10傅里叶变换红外光谱仪品类先锋的用户心得。

中红外光谱为废塑料“验明正身”——FOLI10 在废塑料快速鉴别与化学计量学建模中的应用

 一、研究背景与思路 

塑料污染已成为全球最严峻的环境问题之一。目前全球塑料年产量约 3.8 亿吨，预计到 2050 年底累计产量将超过 300 亿吨。废塑料的回收与资源化利用，是减少塑料污染、推动循环经济的有效途径；而保证再生塑料品质与经济价值的前提，是对废塑料进行高效、准确、低成本的鉴别与分选。

现有分选方法（浮选、风选、静电分选、人工分选等）依赖聚合物的机械性能或需消耗大量化学试剂，存在二次污染、效率低、能耗高等问题。相比之下，光谱分析结合化学计量学方法具有无损、环保、高效的特点，非常适合废塑料的快速现场鉴别。其中，近红外（NIR）光谱技术虽已成熟，但由于炭黑作为颜料和紫外稳定剂在塑料中的广泛使用，NIR 信号被强烈吸收，导致其难以鉴别深色塑料——而深色塑料在废塑料中占比很大，且往往具有较高回收价值。

中红外（MIR）光谱富含分子结构信息，在鉴别深色塑料方面具有天然优势。衰减全反射傅里叶变换红外光谱（ATR-FTIR）制样简单，可直接分析固体样品，已成为废塑料 MIR 光谱研究的主流技术路线。不过，已有研究大多存在样品数量和种类有限、光谱质量参差不齐、模型对噪声鲁棒性不足等问题，限制了模型的实际适用性。

本案例采用荧飒光学 INSA FOLI10 傅里叶变换红外光谱仪（配金刚石 ATR 附件），采集了 4 个来源、9 种类型共 698 个废塑料样品的中红外光谱，建立了系统的 MIR 光谱数据库；在此基础上结合变分自编码器（VAE）与模拟噪声进行数据扩展，系统评估了 9 种化学计量学模型，并创新性地将离散小波变换（DWT）与判别模型结合，实现了复杂噪声条件下九种塑料的高精度鉴别。研究还针对中波红外（MWIR）和长波红外（LWIR）两个高光谱相机常用波段验证了模型性能，为中红外高光谱成像（MIR-HSI）在废塑料在线分选中的应用提供了依据。

 二、仪器及样品 

2.1 主要仪器及用具

本实验主要使用以下仪器与用具：

（1） 荧飒光学 INSA FOLI10 傅里叶变换红外光谱仪（配金刚石 ATR 附件）

（2） 笔记本电脑（AMD Ryzen 7 4800H CPU、16 GB 内存、NVIDIA GeForce GTX

1650 GPU）

（3） Matlab 软件（光谱预处理、判别模型构建、原始及噪声光谱数据集生成）

（4） Python 软件（VAE 模型构建）

（5） 无尘擦拭纸与清洗溶剂（用于 ATR 晶体清洁）

其中，FOLI10 承担全部样品的中红外光谱采集任务。该仪器检测系统配备高灵敏度 DLaTGS 检测器、电子冷却 MCT 检测器和液氮冷却 MCT 检测器；每条光谱扫描 16 次后取平均，以进一步提高信噪比。ATR 附件无需复杂制样，固体塑料样品只需与金刚石晶体表面紧密接触即可完成测试，适合薄膜、颗粒、碎片、纤维、粉末等多种形态废塑料样品的快速测量。

图 1 废塑料样品（自封袋保存）、FOLI10 FT-IR 光谱仪及金刚石 ATR 晶体压头（红圈所示）

2.2 待测样品

为保证样品多样性，共收集 9 种类型、总计 698 个塑料样品，涵盖薄膜、颗粒、碎片、纤维、粉末等多种形态以及黑、白、透明、灰、蓝、黄、红、棕、绿、粉、紫等多种颜色。九种塑料分别为：聚乙烯（PE）、聚酰胺（PA）、聚苯乙烯（PS）、聚碳酸酯（PC）、丙烯腈-丁二烯-苯乙烯共聚物（ABS）、聚对苯二甲酸乙二醇酯（PET）、聚对苯二甲酸丁二醇酯（PBT）、聚丙烯（PP）和聚氯乙烯（PVC），均为废电器电子设备、建筑拆除垃圾和城市生活垃圾中的常见塑料。

样品来自 4 个不同来源：P1 为纯净塑料（不含任何添加剂的塑料粉末，粒径约 106 μm，购自山东鸿运新材料科技有限公司，作为废塑料光谱分析的对照基准）；P2 为工业再生塑料（含多种添加剂的再生塑料颗粒）；P3 为生活塑料垃圾（采自北京市海淀区，成分复杂、含多种添加剂）；P4 为海洋塑料垃圾（采自山东省烟台市长岛县海域的自然老化塑料碎片）。P1、P2 种类已知，P3、P4 的种类通过塑料回收标识、人工光谱比对和 www.openspecy.org 谱库检索确定。

图 2 不同形态、颜色塑料样品的分布（a）及塑料按类型与来源的数量分布（b）

 三. 样品预处理与光谱采集 

样品预处理：对于表面存在污染物（如灰尘、油渍等）的样品，先用无水乙醇擦拭，室温风干约 2 分钟，以去除主要污染物、减少干扰峰；对于废塑料薄膜（常见厚度约 0.01–0.25 mm），将其折叠 3–4 层，以增强与 ATR 晶体接触的稳定性、提高信号质量。上述简易处理经实验验证可有效提升光谱质量，满足定性分析需求，同时避免了复杂样品预处理带来的时间成本。

全部样品的中红外光谱均使用配金刚石 ATR 附件的 FOLI10 光谱仪采集。测试前先用无尘擦拭纸清洁 ATR 晶体表面并采集背景光谱；测试时将样品置于 ATR 晶体上，用配套压头均匀压紧并旋转两圈，确保样品与晶体紧密接触。每个样品采集一条光谱。本实验主要测试条件如下：

 四、数据处理与模型构建 

4.1 光谱特征波段选择

对九种塑料的红外光谱进行分析可知，几乎所有特征吸收峰都集中在 550–1818 cm⁻¹ 和 2700–3393 cm⁻¹ 两个波段内，因此选取这两个波段作为特征波段以降低建模成本。需要说明的是，–CH₂– 和 –CH₃ 的 C–H 伸缩振动吸收峰（2800–3000 cm⁻¹）完全落在 MWIR 波段范围内；而 LWIR 波段较窄，C=O 伸缩振动以及大部分 C–H 弯曲振动吸收峰均被排除在外，这为后续窄波段建模带来了挑战。

图 3 原始光谱数据集 DA 中 698 条塑料中红外光谱

图 4 九种塑料的中红外光谱及特征波段选择（阴影区为所选特征波段）

4.2 光谱数据扩展

为进一步增强光谱数据的多样性，采用两种方式对数据进行扩展：一是利用变分自编码器（VAE）在原始数据集 DA 基础上将每种塑料的光谱扩充至 1000 条，构成共 9000 条光谱的大样本数据集 DB；二是为模拟在线检测或现场识别中样品移动、仪器状态变化和环境条件引入的噪声干扰，在 DA 基础上叠加高斯噪声、脉冲噪声和背景噪声，构建信噪比 35–70 dB 共 8 个子集（DC1–DC8）的噪声光谱数据集 DC。其中 DC3（信噪比 45 dB）作为代表性噪声子集用于主成分分析和模型评价。

4.3 主成分分析

对归一化后的三个光谱数据集（DA、DB、DC3）进行主成分分析（PCA）。前 3 个主成分的累积解释方差均超过 75%，能够有效捕捉数据的主要变化趋势；在主成分得分空间中，不同种类塑料形成清晰的聚类。大样本数据集 DB 的聚类较DA 更加紧密，说明 VAE 生成数据在保持与原始数据分布一致的同时丰富了数据多样性；而噪声子集 DC3 的载荷曲线呈现明显的周期性波动，第一主成分载荷振幅下降、第二主成分载荷振幅增大，表明噪声干扰了主成分提取并放大了次要特征的变化，这也解释了噪声环境下模型鉴别难度上升的原因。

4.4 化学计量学模型

遵循"纳入已验证有效算法"与"纳入高性价比潜在算法"两条原则，建立了包含 9 种分类算法的评价框架：线性判别分析（LDA）、偏最小二乘判别分析（PLS-DA）、支持向量机（SVM）、K 近邻（KNN）、随机森林（RF）、反向传播神经网络（BPNN）、极限学习机（ELM）、浅层一维卷积神经网络（SCNN1D）和深层一维卷积神经网络（DCNN1D）。主要参数设置为：PLS-DA 潜变量数 15；RF 决策树 50 棵；SVM 采用径向基函数核（惩罚因子 10，核参数 0.01）；BPNN 为单隐藏层、15 个神经元；ELM 隐藏层节点 200 个。

数据集按 4:1 分层抽样划分为训练集与独立测试集，训练集再经五折交叉验证优化参数。以准确率（Accuracy）、精确率（Precision）、召回率（Recall）和 F1 分数作为评价指标，所有指标均取 5 次独立运行的平均值；并记录训练时间与预测时间，从分类性能、实时性和训练成本三个维度综合评价模型。

4.5 基于 DWT 的光谱特征提取

为增强模型的抗噪声能力，采用离散小波变换（DWT）对光谱进行特征提取。选用 db2 小波基对红外光谱进行一维九层分解；分析发现，噪声较小时主要有效信息集中在中间层，噪声增大时有效信息逐渐向更高层移动，但始终集中在中后层区域。据此将第 5 至第 7 层的细节系数求和作为光谱特征信号（记为 S），并以 S 作为输入变量构建 DWT-模型。

 五、实验结果与讨论 

九种化学计量学方法在原始数据集 DA、大样本数据集 DB 和噪声子集 DC3 独立测试集上的判别准确率如下图所示。

图 5 九种化学计量学方法在三个数据集（DA、DB、DC3）独立测试集上的判别准确率

总体来看，几乎所有模型在大样本数据集 DB 上表现最佳，在噪声子集 DC3上表现最弱，符合"训练数据越丰富模型性能越好、噪声引入降低分类能力"的一般规律。本研究提出的 SCNN1D 模型在 DA 和 DB 数据集上均取得 100% 的总体判别准确率；DCNN1D 因参数量较大，仅在大样本数据集 DB 上达到 100%，但其抗噪能力更强；PLS-DA、BPNN 和 DCNN1D 在三个数据集上的总体判别准确率均超过 99%。在预测时间方面，PLS-DA 借助降维技术即使在大数据集上也能保持较短的预测时间，BPNN、ELM 的预测效率同样突出；CNN 类模型训练时间较长，但SCNN1D 的训练成本明显低于 DCNN1D。

引入 DWT 特征提取后，模型性能显著提升：DWT-PLS-DA、DWT-SCNN1D 和 DWT-DCNN1D 在三个数据集上均取得 100% 的总体判别准确率。进一步的泛化能力验证（在 DA 训练集上建模、在噪声子集 DC1–DC8 测试集上鉴别）结果如下表：

可见 DWT-PLS-DA 模型表现尤为突出：在 DC3–DC8 噪声子集上总体判别准确率达 100%，即使在受噪声严重干扰的 DC1、DC2（信噪比 35、40 dB）上仍保持约 99.3% 的准确率，展现出卓越的泛化能力和噪声环境下的稳健性。

针对 MIR-HSI 相机光谱范围较窄的实际限制，进一步在 MWIR（4000–2000 cm⁻¹）和 LWIR（1350–715 cm⁻¹）两个窄波段上评价了三种 DWT-模型的性能：

结果表明，三个模型在 LWIR 波段的表现显著优于 MWIR 波段：DWT-SCNN1D 和 DWT-DCNN1D 在 LWIR 波段的分类准确率超过 99%。在 MWIR 波段，尽管性能有所下降，各模型对 PE、PA、PS、PP 仍保持较强的鉴别能力，其中 DWT-PLS-DA 和 DWT-SCNN1D 对 PE、PA、PP 的判别准确率达到 100%。

LWIR 波段的混淆矩阵如下图所示，误分类主要集中在 ABS 与 PS 之间。

图 6 LWIR 波段混淆矩阵：（a）DWT-PLS-DA；（b）DWT-SCNN1D

模型可解释性分析为特征选择提供了依据。PLS-DA 模型的回归系数与 VIP 得分分析表明，C–H 弯曲振动（–CH₂–、–CH₃ 及芳香环）、C=O 伸缩振动、C–H 伸缩振动、芳香环 C=C 伸缩振动和 C–Cl 伸缩振动是区分不同塑料的关键特征；VIP 得分在 637–776 cm⁻¹ 和 1682–1742 cm⁻¹ 区域达到峰值，说明芳香族 C–H 弯曲振动和 C=O 伸缩振动对 DWT-PLS-DA 的判别贡献尤为突出。Grad-CAM 热图分析显示，DWT-SCNN1D 的关键波段集中在 625–778、1421–1509 和 1653–1810 cm⁻¹， DWT-DCNN1D 则更多利用 550–1380 cm⁻¹ 范围内更广泛的潜在光谱信息。这些结果可为面向废塑料鉴别的高光谱相机光谱波段选择、设计与优化提供科学指导。

 六、研究意义 

废塑料的高效鉴别与分选是塑料回收产业链中的关键环节。本案例表明，实验室级 ATR-FTIR 结合化学计量学模型，可以在不破坏样品、无需复杂制样的条件下，实现九种常见塑料（包括深色、老化、含添加剂的复杂样品）的快速准确鉴别。

更重要的是，本研究为 MIR-HSI 在线分选技术的落地提供了方法学支撑：一方面，DWT 特征提取显著提升了模型在噪声环境下的稳健性，为现场、在线检测中的光谱质量波动提供了解决方案；另一方面，模型在 LWIR/MWIR 窄波段上的系统评价和可解释性分析，直接回应了当前高光谱相机光谱范围受限的硬件瓶颈，为专用波段选择和设备优化提供了依据。

在模型选择上，本研究给出了面向不同应用场景的实用建议：若鉴别需求仅限于 PE、PA、PP 且仅依赖 MWIR 仪器，DWT-PLS-DA 是最优选择；在 LWIR 波段则 DWT-SCNN1D 表现更佳。两者对硬件要求均较低，相比 DCNN1D 更适合便携设备开发，有望推动低成本、高效率的现场鉴别设备走向实际应用。

 七、操作注意事项 

7.1 保持 ATR 晶体清洁

ATR 测试依赖样品与晶体表面的紧密接触，晶体表面的残留物会直接污染背景与样品光谱。每次测试前后均应用无尘擦拭纸（必要时蘸取少量合适溶剂）清洁晶体表面，确认无残留后再采集背景或下一样品。

7.2 确保样品与晶体紧密接触

ATR 信号强度取决于样品与晶体的接触质量。测试时用配套压头均匀压紧并旋转两圈，使样品紧贴晶体；对于薄膜类样品（厚度约 0.01–0.25 mm），可折叠3–4 层以增大有效接触面积。压力不足会导致信号偏弱、信噪比下降，但过度用力又可能损伤晶体或压碎样品，需根据样品形态适度调整。

7.3 样品表面污染物需预先处理

废塑料样品表面常带有灰尘、油渍等污染物，会引入干扰峰。测试前应用无水乙醇擦拭样品表面，室温风干约 2 分钟后再上机测试。

7.4 覆盖多样化样品

废塑料样品来源复杂，颜色、添加剂、老化程度都会改变光谱特征。建模前应尽可能覆盖不同来源、颜色、形态和老化程度的样品，否则模型的适用范围会受到明显限制。对于种类未知的样品，可结合回收标识、人工光谱比对和公开谱库（如 www.openspecy.org）进行确认。

7.5 关注窄波段信息损失

面向高光谱应用时，LWIR/MWIR 窄波段会丢失部分关键特征（如 C=O 伸缩振动）。建模时应结合回归系数、VIP 得分、Grad-CAM 等可解释性分析确认关键特征是否被覆盖，再决定所选波段与模型的组合是否可行。

 八、FOLI10 的应用价值 

本案例中，FOLI10 配金刚石 ATR 附件承担了全部 698 个样品、四条来源光谱的采集任务。ATR 附件免去了压片等繁琐制样步骤，薄膜、颗粒、碎片、纤维、粉末等不同形态的废塑料样品均可直接测试，大幅提高了建库效率；4000–550cm⁻¹ 的宽扫描范围完整覆盖了塑料鉴别的两个特征波段，4 cm⁻¹ 分辨率和 16 次扫描为后续化学计量学分析提供了高质量的光谱数据基础。

高质量的光谱信号是本研究得以开展算法层面的系统比较与创新的前提：正是基于信噪比良好、波段覆盖完整的实验室光谱，研究者才能通过 VAE 和模拟噪声构建出层次丰富的扩展数据集，进而客观评估九种模型在不同噪声水平下的表现，并将结论外推至光谱质量受限的 MIR-HSI 在线分选场景。

实际操作中获得可靠结果的关键，未必在于复杂的仪器参数设置，而在于基础实验细节的严格控制——例如晶体是否清洁、样品与晶体接触是否紧密、背景采集是否及时，以及样品集是否足够多样。这些细节得到良好控制后，FOLI10 可以从常规的结构鉴定工具，进一步拓展为废塑料回收与监管领域数据采集与方法开发的有效平台。

 九、结论 

本案例采用荧飒光学 FOLI10 FT-IR 光谱仪（配金刚石 ATR 附件），采集了 4个来源、9 种类型共 698 个废塑料样品的中红外光谱，建立了系统的 MIR 光谱数据库，并构建了包含 9 种算法的化学计量学评价框架。

通过 VAE 与模拟噪声扩展数据、引入 DWT 特征提取，DWT-PLS-DA 模型在噪声子集上展现出卓越的稳健性与泛化能力（DC3–DC8 测试集准确率 100%，严重噪声下仍约 99.3%）；DWT-SCNN1D 与 DWT-DCNN1D 在 LWIR 波段对九种塑料的分类准确率超过 99%；DWT-PLS-DA 与 DWT-SCNN1D 在 MWIR 波段对 PE、PA、PP 的判别准确率达 100%。

本案例说明，FOLI10 采集的高质量 ATR-FTIR 光谱与化学计量学方法相结合，不仅能够在实验室条件下实现废塑料的快速准确鉴别，也为 MIR-HSI 在线分选设备的波段选择、模型选型与便携化开发提供了切实可行的技术路径。

参考文献

[1] Yang, J.; Xu, Y.-P.; Chu, X.-L. Application of mid-infrared spectroscopy in plastic waste discrimination: chemometric methods and exploration of their potential in hyperspectral applications. Measurement, 2026, 257, 118657. DOI:10.1016/j.measurement.2025.118657.