近日，我院固体废弃物资源化技术与智能装备团队在环境领域权威期刊《Environmental Science & Technology》上发表题为“Sensor-Based Technologies in Effective Solid Waste Sorting: Successful Applications, Sensor Combination, and Future Directions” 前瞻性论文并被选为补充封面文章。该文章综述了探测器和算法相结合以实现固体废弃物自动识别与分类的应用，通过系统梳理探测器与算法结合的应用实例与实验结果，分析并指出了基于不同-探测器-的固体废弃物自动化分选技术的应用场景，探讨了这些方法在固体废弃物回收中面临的挑战和可能的应对策略，同时阐述了探测器与算法结合技术在这一领域的未来发展方向。

       我院2021级研究生赵越为第一作者，副教授李佳为通讯作者。

       全球人口的-增长与-生活水平的提高促使固体废物的生产量快速增加，让世界各地垃圾处理工作面临巨大压力。直到现在，大部分国家的固体废弃物收集率依然较低，且对收集好的固体废弃物处置方式主要为焚烧或填埋，只有13.5%的可回收固体废弃物得到有效回收利用。而简单的焚烧和填埋不仅不能有效回收固体废弃物中的资源，还会带来严重的环境和健康问题。为了提高资源回收效率并减轻环境污染，研究工作者将注意力转向快速高效且无需破坏废弃物的基于探测器的废弃物识别与分类方法。近年来，硬件设施的完善、识别分类算法的发展与成熟应用，让基于探测器的废弃物识别与分类技术在这一领域大展身手，其适用场景和提高检测水平的方法也不断得到挖掘。

        据统计，2022年全世界固体废弃物的总产量超过20.1亿吨。而世界银行的报告则指出，预计到本世纪中叶，全世界生产的固体废弃物将达到34亿吨/年。在这些固体废弃物中，有38%属于可回收固体废弃物，同时其他种类固体废弃物中也含有高价值可回收的资源。

       目前基于探测器的废弃物识别分类技术主要包括光谱法技术及计算机视觉技术。这些技术都是非接触式的，且通常不需要大量的预处理就可以通过传感器提取固体废弃物的独有特征。基于光谱的废弃物分类方式是按废弃物的组分，即其分子结构进行分类，而基于计算机视觉的废弃物分类方式则根据物体表面的物理特征进行检测、定位和分类。基于探测器的废弃物识别分类技术结合适当的分类和目标识别算法，在实际应用中可以达到很高的平均精度（mAP）和召回率。

       近年来，固体废弃物分选中常用的光谱方法包括近红外光谱，拉曼光谱，激光诱导击穿光谱和X射线荧光光谱法。研究人员将获得的光谱数据，通过数据降维工具 (PCA，LDA，PLS-DA)和分类工具 (KNN，SVM，CNN)处理，从而得到分类结果。在这些数据处理方法的帮助下，大部分塑料可以被充分识别和分类 (mAP > 90%)。然而，对于不同的光谱法，某些特定情况依然有待解决，如：HDPE与LDPE的分类，PS与ABS的分类，深色或黑色塑料的识别和分类等。在这些具有挑战的领域寻找替代方法的研究与实践中，计算机视觉方法和短波红外方法被证明对这些分子结构相似的塑料具有良好的分类效果。

        在计算机视觉方法识别和分类固体废弃物的领域， Region-based Convolutional Neural Network (R-CNN)，You Only Look Once，Single Shot Multi-box (SSD) 等目标检测算法成为研究人员青睐的工具。只要建立了能正确并充分反映处理对象 (目标废弃物) 的图像数据集并经过目标检测算法的训练，各种废弃物的识别与分类精确率均超过90%，且很多实验在无需很大算力的条件下实现了实时分类检测 (>30 fps)。

        R-CNN目标检测在推出后不久就被运用在自动化固体废物检测分类中，在生活垃圾，建材垃圾，电子废弃物等固体废弃物的检测与分类实践中都取得了优秀的结果。因为实际应用需要很高的检测速度和精度，Faster R-CNN和Mask R-CNN成为该系列中被推荐使用的目标检测器，其中使用ResNet或MobileNet为卷积骨干的Mask R-CNN的检测速度能够达到 >40fps。此外，Faster R-CNN 和Mask R-CNN 在检测小物体方面具有良好的性能。

       实时目标检测器YOLOv3的推出使资源回收研究人员采用这一系列目标检测算法完成检测分类任务，此后的实践也证明YOLO系列具有不输给R-CNN系列的优秀分类精度。此外，YOLO系列有惊人的检测速度。因此，YOLO系列更能适应连续运行的工业要求。

       SSD系列作为最年轻的目标检测算法系列，也已被用于固体废物分类领域。SSD系列能够以较高的检测精度和很高检测速度对大多数生活垃圾进行分类。因为模型中金字塔特征提取结构的存在，SSD对各种大小的物体都有很高的检测分类精度。

       此外，在考察了大量基于目标识别的固体废弃物分类实验后，我们发现制作精良的图像数据集可以显著提高算法的性能。然而为了收集足够的图像并尽量降低数据集和目标废弃物之间的分布差异，需要耗费大量人力物力。此外面对某些废弃物分选场景，研究人员很难在这些特定条件下获得能够识别的图像，或者无法按要求标记样品。受婴儿认识物体过程的启发，研究人员提出了替代方案，包括半监督学习，Few-shot学习和迁移学习。

       传感器组合是物体检测与分类中具有吸引力的新领域。不同种类的传感器 (如光谱传感器和视觉传感器) 之间的组合具有广阔的应用前景，因为不同类别的传感器通过获取物体性质种类的不同及物体特征数据形式的不同相互补偿，使废弃物识别分选系统能够执行多任务分类。对于光谱传感器和视觉传感器的组合，光谱传感器能让系统分选得到组分单一的物品，而破碎、造粒等物理处理不影响其检测性能；计算机视觉可以处理具有复杂成分的物品，但物理处理会降低计算机视觉的可信度，因为物质的宏观性质会丢失。除此之外，热传感器、声学传感器和电子接近传感器等也被用在固体废弃物的识别分类系统中。

       基于光谱传感器和相机的固体废物自动分选是一项创新和具有挑战性的任务，许多棘手的问题仍然存在。几乎所有过去的实践都是在实验室情况下进行的，而工业条件会更加复杂，更加多样。因此我们在文中针对光谱检测分类、计算机视觉检测分类、传感器耦合等方向提出了可行的研究课题，以帮助建立精准高效的固体废物分类系统。

      赵越，上海交通大学中英国际低碳学院硕士研究生。研究方向：基于图像目标识别与激光扫描的自动化可回收固体废弃物分选技术。

       李佳，工学博士，副教授，上海交通大学中英国际低碳学院院长助理。主要研究方向为：（1）固体废弃物的资源化处理与处置；（2）基于机器视觉的智能环保装备。