文中数据与结果来自原论文，不代表本公司设备的测试表现。
回收塑料的识别不只有材料类别，还涉及清洁状态、颜色和透明度。这项研究把PET判断拆成多个任务，比较近红外特征与神经网络的组合。面对较高的分类结果，仍需分清数据记录规模与独立实物样本规模。
概要
研究使用近红外光谱，分别训练PET清洁状态、材料类别及透明度分类器，并比较多种网络模型。各任务报告较高准确率，但记录条数不等于独立塑料瓶数量，样本与数据切分口径尚不清晰，需要防止同一物件的重复光谱跨越训练和测试。
（AI 场景概念图，用于科普配图；不是论文数据、研究设备实拍或产品图解）
研究价值
将复杂分选目标拆成具体判断任务，有助于分别设定材料识别与外观状态的验收标准。
实验方法与参考测量
原文使用DLP NIRscan Nano记录900–1700 nm数据，并描述295327条包含波长、吸光度和类别等字段的记录。SG滤波和基线处理后提取光谱特征，以HAttFFNN分别训练PET清洁状态、PET与其他材料、彩色与透明PET三个分类器，比较多种深度学习模型和混淆矩阵。
关键波段与采集参数
| 波段 / 参数 | 原文含义与使用说明 |
|---|---|
| 900–1700 nm | 本案例原文采集或实际建模范围 |
主要结果
三个阶段的准确率分别为99.33%、99.32%和99.28%。数据记录数及切分方式不等同于独立来源塑料瓶的外部验证规模。
研究局限与解读
独立实物样本数不清晰，需重点防止相同塑料瓶的重复光谱分散在训练与测试集中。
波段与模型边界：本案例采用完全位于250–1700 nm内的原始测量或独立验证分支。
图像版权归论文原作者。许可：CC BY 4.0。
论文来源
Alimbekova N, Rai HM, Turymbetov T, Zhumadillayeva A. (2025). HAttFFNN: Hybridized attention mechanism-based feedforward neural network deep learning model for the plastic material classification of three stage materials on spectroscopic data. PLOS One 20(12). https://doi.org/10.1371/journal.pone.0336927
欢迎联络
便携式设备能否用于类似检测，需要结合样品和实验条件评估，具体效果仍需通过实际测试验证。欢迎联系威视佰科，交流您的样品与检测需求，共同评估实验方案，探讨使用本公司设备开展实测与验证的可行性。
- 电子邮箱：contact@vispek.cn
- 官方网站：https://www.vispek.cn
本公司产品展示，非论文所用设备