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。
废塑料识别是否一定需要密集的连续光谱？这项研究尝试用少量可见近红外离散通道区分常见生活塑料，比较多种机器学习方法。不同聚合物的识别表现并不均衡，为评估低成本传感器的筛选用途提供了具体参照。
概要
研究以离散通道反射传感器采集常见生活塑料，比较降维和多种分类模型，并通过交叉验证评价。结果显示各聚合物的区分难度不同，总体表现仍有限；颜色、表面和混配状态可能改变信号，采集记录数量也不能当作独立实物数量或通用分选规模。
（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
用少量光谱通道先做材料预分类，为回收设备增加一层可量化的材料线索。
实验方法与参考测量
实验使用AS7265x三芯片传感器，在410–940 nm的18个离散波段读取反射信号。固定照明和样品位置，对六类生活塑料分别采集200条记录，共1200条。数据经过可选PCA或LDA降维，比较随机森林、支持向量机、神经网络等10种分类方法，并通过交叉验证评估识别表现。
关键波段与采集参数
| 波段 / 参数 | 原文含义与使用说明 |
|---|---|
| 410–940 nm | 本案例原文采集或实际建模范围 |
主要结果
CNN平均识别准确率72.50%，MLP为70.25%；PS类别最高为83.5%，PET最低为66%。这些是受控实验数据上的结果，不是所有废塑料的通用分选准确率。
研究局限与解读
颜色、表面状态和塑料混配会影响信号；1200条记录不能等同于1200个独立来源的实物。
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
Martinez-Hernandez U, West G, Assaf T. (2024). Low-Cost Recognition of Plastic Waste Using Deep Learning and a Multi-Spectral Near-Infrared Sensor. Sensors (Basel, Switzerland) 24(9). https://doi.org/10.3390/s24092821
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