.png){kind=icon}
返回
FTIR-Based Microplastic Classification: A Comprehensive Study on Normalization and ML Techniques
.png){kind=icon}
OA
AI
DOI：10.3390/recycling10020046.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究探讨了机器学习（ML）和深度学习（DL）技术在利用傅里叶变换红外（FTIR）光谱法对微塑料进行分类方面的潜力。分析了六种常用工业塑料（PET、HDPE、PVC、LDPE、PP和PS）。本研究的主要贡献在于使用了比当前技术状态中通常报告的更广泛和更多样的光谱范围。此外，评估了不同的归一化技术（Min-Max、Max-Abs、平方和、Z-Score）对分类精度的影响。本研究评估了机器学习算法的性能，如k近邻（k-NN）、支持向量机（SVM）、朴素贝叶斯（NB）、随机森林（RF）以及人工神经网络架构（包括卷积神经网络（CNNs）和多层感知器（MLPs））。模型使用FTIR-PLASTIC-c4数据集和10折交叉验证方法进行训练和验证，以确保鲁棒性。结果表明，Z-score归一化显著提高了大多数模型的稳定性和泛化能力，CNN、MLP和RF在准确率、精确率、召回率和F1分数方面达到了近乎完美的值。相比之下，平方和归一化效果较差，尤其是对于CNNs，因其对尺度和数据分布敏感。值得注意的是，朴素贝叶斯因其在分析复杂光谱数据方面的局限性而表现持续不佳。研究发现，使用具有广泛和可变范围的红外光谱结合适当的归一化方法，利用机器学习技术对微塑料进行自动分类是有效的。
Keyword:
micro-plastics
Fourier-transform infrared spectroscopy
machine learning
deep learning
normalization methods
期刊
R
IF:
4.6
论文数:
484
被引数:
2.3K
机构
暂无机构信息
引用论文
FRDA: Fingerprint Region based Data Augmentation using explainable AI for FTIR based microplastics classificationFRDA: 基于指纹区域的数据增强，使用可解释的AI进行基于FTIR的微塑料分类
OAAI
OAAI分享收藏Increasing the Accessibility for Characterizing Microplastics: Introducing New Application-Based and Spectral Libraries of Plastic Particles (SLoPP and SLoPP-E).png)
ANALYTICAL CHEMISTRY
ANALYTICAL CHEMISTRYIF6.7
PREAI
分享收藏Neural networks: a comprehensive foundation by Simon Haykin, Macmillan, 1994, ISBN 0-02-352781-7.
PREAI
分享收藏
查看更多内容