城市生活垃圾智能分類技術(shù)研究與應(yīng)用進(jìn)展

梁 蕊,陳冠益,,3,顏蓓蓓,4,孫昱楠,陶俊宇*

城市生活垃圾智能分類技術(shù)研究與應(yīng)用進(jìn)展

梁 蕊1,陳冠益1,2,3,顏蓓蓓1,4,孫昱楠2,陶俊宇2*

(1.天津大學(xué)環(huán)境科學(xué)與工程學(xué)院,天津 300072；2.天津商業(yè)大學(xué)機(jī)械工程學(xué)院,天津 300134；3.西藏大學(xué)理學(xué)院,西藏 拉薩 850012；4.天津市生物質(zhì)廢棄物利用重點(diǎn)實(shí)驗室,天津市生物氣/油技術(shù)工程研究中心,天津 300072)

城市生活垃圾清運(yùn)量逐年增加,由此帶來的環(huán)境問題日益嚴(yán)峻.不同垃圾組分有其各自適宜的處理與利用方式,因此,有效的垃圾分類技術(shù)具有重要意義.我國現(xiàn)有的以人工為主的垃圾分類方式存在效率低、成本高、準(zhǔn)確性差等弊端,而垃圾智能分類技術(shù)是解決相關(guān)瓶頸的重要手段.本文簡述了中國代表性城市生活垃圾分布和近年變化趨勢,從密度、電、磁、聲波、圖像以及光譜多種技術(shù)角度出發(fā),解析了國內(nèi)外現(xiàn)有的城市生活垃圾智能分類技術(shù),簡要介紹了智能垃圾分類技術(shù)的實(shí)際應(yīng)用情況,分析了智能垃圾分類技術(shù)的挑戰(zhàn)與機(jī)遇.

城市生活垃圾；智能分類；技術(shù)進(jìn)展；前沿應(yīng)用；挑戰(zhàn)與機(jī)遇

近年來,隨著社會經(jīng)濟(jì)的不斷發(fā)展,城市生活垃圾的產(chǎn)量不斷增長,2019年我國城市生活垃圾清運(yùn)量已達(dá)2.4億t[1].此外,由于人們生活水平的不斷提高,生活垃圾組分的種類也日趨多樣.常見生活垃圾組分包括餐廚垃圾、玻璃、金屬、塑料瓶、舊衣服、紙張等.不同垃圾組分有其各自適宜的處理與利用方式[2],如:垃圾中的金屬與塑料等組分可供回收后循環(huán)利用[3-4];含水率較高的餐廚垃圾等組分宜進(jìn)行生物發(fā)酵處置[5-6];而含水率低、回收價值低、毒害性小的有機(jī)組分則更適于通過焚燒、熱解氣化等技術(shù)手段進(jìn)行能源轉(zhuǎn)化[7-8].因此,有效的垃圾分類對其高效處理與利用具有重要意義[9-10].

目前,我國各省市已全面推進(jìn)垃圾分類工作.我國的垃圾分類方式主要依賴居民端與中轉(zhuǎn)端的兩級人工分揀,自動化與智能化水平較低[11-12].這種以人工為主的分類方式存在分類效率低、分類成本高、分類準(zhǔn)確率低等問題[13],不但嚴(yán)重影響垃圾的下游處理與利用效果,也在一定程度上影響了垃圾分類政策的順利推進(jìn).對此,國內(nèi)外研究者針對垃圾的組分特性開展了廣泛的調(diào)研,并基于不同的技術(shù)原理,對智能化、自動化的垃圾分類技術(shù)進(jìn)行了深入的研究.相關(guān)研究目前已頗具成效,涌現(xiàn)出大量的技術(shù)成果與應(yīng)用案例.

為了更加全面地了解國內(nèi)外垃圾智能分類領(lǐng)域的前沿進(jìn)展,為該領(lǐng)域的科研工作與政策導(dǎo)向提供啟發(fā)性與前瞻性的幫助,本文簡述了中國代表性城市生活垃圾分布和近年變化趨勢,從密度、電、磁、圖像、聲波以及光譜6種技術(shù)原理的角度對現(xiàn)有國內(nèi)外城市生活垃圾智能分類技術(shù)進(jìn)行了解析,并簡要介紹了工業(yè)化生活垃圾智能分選設(shè)備、新型智能垃圾分選設(shè)備以及其他垃圾分類設(shè)備的情況,最后對生活垃圾智能分類技術(shù)的挑戰(zhàn)與機(jī)遇進(jìn)行了分析.

1 我國城市生活垃圾的特征

生活垃圾是一種復(fù)雜的混合物,其中包含多類組分.根據(jù)《中華人民共和國城鎮(zhèn)建設(shè)行業(yè)標(biāo)準(zhǔn):生活垃圾采樣和分析方法(CJ/T 313-2009)》[14],我國將生活垃圾分為廚余、紙、橡塑、紡織、木、灰土、磚瓦陶瓷、玻璃、金屬、其他、混合這11種垃圾類別.

由于各地生活方式不同,經(jīng)濟(jì)發(fā)展方式不同[15],各地的生活垃圾有著不同的組成特征.華東、華南、西南(除西藏)、華中偏南地區(qū)的廚余類垃圾占比較高,且南方地區(qū)生活垃圾含水率較高;西北、東北及華北地區(qū)生活垃圾中金屬含量較高,明顯高于其他地區(qū);華東地區(qū)的木竹類垃圾含量遠(yuǎn)高于其他地區(qū),該地區(qū)的磚瓦陶瓷類垃圾含量也位于全國前列.對于紙類、橡塑類垃圾呈現(xiàn)出由東到西遞減的趨勢,此外由于南北方地勢、天氣因素的影響,灰土類垃圾含量表現(xiàn)出明顯的由北向南遞減的趨勢[16].

圖1 我國多個城市的生活垃圾年產(chǎn)量變化情況

(a) 濟(jì)南市; (b) 上海市; (c) 青島市; (d) 北京市

由于城市發(fā)展與生活水平的提高,生活垃圾的結(jié)構(gòu)也在逐年變化.以濟(jì)南[17]、上海[18]、青島[19]、北京[20-22]為例(圖1),2008～2012年,濟(jì)南市生活垃圾中可燃物(紙、塑料橡膠、紡織物、木竹)含量增加,整體漲幅達(dá)30%,而無機(jī)物(主要是灰土和磚瓦陶瓷)含量則大幅度減少,生活垃圾熱值逐年上升[12]. 2005～2015年,上海市生活垃圾產(chǎn)生量逐年上升,食物垃圾呈下降趨勢,但仍占據(jù)主要比重,生活垃圾熱值偏低[13].2004～2016年,青島市生活垃圾清運(yùn)量逐年升高,生活垃圾容重逐漸升高,含水率穩(wěn)定在50%以下,熱值逐年升高[14].2010～2018年,北京市生活垃圾中廚余垃圾所占生活垃圾的比例持續(xù)下降,紙類和橡塑類垃圾含量均明顯上升,灰土類垃圾含量繼續(xù)保持下降的趨勢[15-17].

由此可見,生活垃圾的組分分布受到時間與空間兩方面的影響,不同地理、人文環(huán)境及城市發(fā)展水平下,生活垃圾組分差異顯著.因此,在進(jìn)行垃圾分類政策制定以及垃圾分類模式設(shè)計時,有必要綜合考量當(dāng)?shù)貢r間與空間背景.此外,生活垃圾組分分布的差異也對生活垃圾分類技術(shù)的適應(yīng)性提出了更高的要求.

2 不同原理的垃圾智能分類技術(shù)

隨著社會經(jīng)濟(jì)的發(fā)展,我國各地尤其大型城市的垃圾處理需求緊迫且嚴(yán)峻,而高效的垃圾收運(yùn)與分類是解決垃圾處理問題的關(guān)鍵.近年來,全國各大城市逐步開始實(shí)行垃圾分類政策,而現(xiàn)行分類模式以借鑒發(fā)達(dá)國家并加以簡化為主,分類方式相對粗放.其主要表現(xiàn)為:現(xiàn)有垃圾分類系統(tǒng)以居民端粗分類、中轉(zhuǎn)端人工細(xì)分類的方式為主,其中居民端分類管控難、準(zhǔn)確性差,而中轉(zhuǎn)端的人工分揀也存在分揀效率低、成本高等問題,嚴(yán)重影響下游處理利用效果.可見,新的時代需求下,傳統(tǒng)垃圾收運(yùn)分類模式亟待升級.近年來,新型傳感技術(shù)不斷發(fā)展,基于深度學(xué)習(xí)等機(jī)器學(xué)習(xí)算法的人工智能技術(shù)也日趨成熟.在此背景下,國內(nèi)外涌現(xiàn)出大量基于不同原理的垃圾智能分類技術(shù).目前,垃圾智能分類技術(shù)主要分為5類:基于密度的分類技術(shù)、基于電、磁的分類技術(shù)、基于圖像識別的分類技術(shù)、基于聲波的分類技術(shù)與基于光譜的分類技術(shù).其中基于密度、電、磁的分類技術(shù)已經(jīng)有多年歷史,是2種最早發(fā)展起來的垃圾智能分類技術(shù).隨著科技不斷進(jìn)步,聲學(xué)、光學(xué)等精密儀器不斷發(fā)展,計算機(jī)技術(shù)不斷深入研究,學(xué)科之間的交叉融合愈加深刻,促使了基于圖形、聲波、光譜的分類技術(shù)的發(fā)展.各種原理的分類技術(shù)的特點(diǎn)及應(yīng)用概況如表1所示.

表1 基于不同原理的垃圾分類技術(shù)

2.1 基于密度的分類技術(shù)

基于生活垃圾密度的分選技術(shù)是多年來市場上最常用的一種分選技術(shù),本質(zhì)上屬于重力分選,廣泛應(yīng)用于大多數(shù)垃圾處理廠.根據(jù)固體廢物中不同物質(zhì)顆粒間存在密度差異,物質(zhì)顆粒在運(yùn)動介質(zhì)中受到重力、介質(zhì)動力和機(jī)械力的作用時,顆粒群會產(chǎn)生松散分層和遷移分離,從而可得到不同密度產(chǎn)品[23].一般有重介質(zhì)分選、跳汰分選、風(fēng)力分選和搖床分選等技術(shù).

風(fēng)力分選技術(shù)是垃圾處理廠最常用的分選技術(shù)[12,24].風(fēng)力分選是以空氣為分選介質(zhì),在氣流作用下使固體廢物顆粒按密度和粒度差異進(jìn)行分選的一種方法.黃昌武[28]在1984年對國外城市垃圾分類技術(shù)進(jìn)行了總結(jié),在此之前風(fēng)力分選及篩分法就已經(jīng)在國外實(shí)際應(yīng)用于垃圾的分選等預(yù)處理工藝.之后我國也陸續(xù)開始了這方面的研究.1994年,張仲燕等[29]研究了聚酯廢塑料的分離回收方法,將聚酯廢塑料瓶破碎后,采用氣流分選、清洗凈化和水浮選組合工藝進(jìn)行聚酯、高密度聚乙烯及塑紙的分離回收.聚酯和高密度聚乙烯的回收率分別達(dá)到了97%和95%.隨后,在垃圾分選機(jī)的實(shí)際工程應(yīng)用上,國家出臺了相關(guān)的標(biāo)準(zhǔn)規(guī)范其使用[30].

經(jīng)過多年研究,基于密度的分選技術(shù)愈加成熟,已經(jīng)能夠?qū)崿F(xiàn)多種物料的分選,應(yīng)用更加廣泛.高春雨等[31]利用流體熱力學(xué)等方法進(jìn)行了城市生活垃圾風(fēng)力分選效率的研究.干燥后的生活垃圾定量輸入到風(fēng)力分選機(jī),在氣流的作用下,垃圾中的組分按密度進(jìn)行分選:粗選為重質(zhì)組分(金屬,瓦塊等)、中重質(zhì)組分(木塊,硬塑料等)和輕質(zhì)組分(塑料薄膜,紙類等),分選效率接近90%.為了最大限度地提高垃圾處理廠處理垃圾的能力,研究人員在現(xiàn)有研究基礎(chǔ)上對垃圾分選機(jī)進(jìn)行了改造.楊學(xué)權(quán)等[32]針對國內(nèi)生活垃圾的組成和特性,通過詳細(xì)研究重力分選機(jī)內(nèi)物料的運(yùn)動規(guī)律,開發(fā)了生活垃圾重力分選機(jī),可以實(shí)現(xiàn)磚瓦石瓷類、廚余類、紙塑類等3類重度不同物料同時分選,可降低末端混合垃圾處理的難度.

2.2 基于電、磁的分類技術(shù)

基于電力的分選技術(shù)利用生活垃圾各種組分在不同電場中電性的差異實(shí)現(xiàn)分選[24].生活垃圾大致可分為電的良導(dǎo)體、半導(dǎo)體和非導(dǎo)體,在高壓電場中會有不同的運(yùn)動軌跡,因此在機(jī)械力與電場的共同作用下,可以實(shí)現(xiàn)生活垃圾的分離.電力分選可以用于塑料、橡膠、纖維、廢紙等非金屬混合物以及各種導(dǎo)體、半導(dǎo)體和絕緣體的分離.電力分選在電力分選設(shè)備中實(shí)現(xiàn),根據(jù)設(shè)備中電場特征不同,常將電力分選分為靜電分選與復(fù)合電場分選.

基于磁力的分選技術(shù)是根據(jù)生活垃圾各組分的磁性不同而實(shí)現(xiàn)分選的一種方法[24].生活垃圾受磁選設(shè)備中磁場力的作用,磁性顆粒被磁化而吸附在磁選設(shè)備的圓筒上留下,非磁性顆粒則被排出.磁力分選常用于去除生活垃圾中的磁性金屬物質(zhì).

基于電磁的分選技術(shù)則是基于電磁感應(yīng)原理對生活垃圾進(jìn)行分類[33].生活垃圾中的導(dǎo)體在高頻交變磁場中內(nèi)部會產(chǎn)生渦流,根據(jù)渦流產(chǎn)生的情況實(shí)現(xiàn)對生活垃圾的分選.電磁分選常用于分離生活垃圾中的導(dǎo)體與非導(dǎo)體物質(zhì).

以上所述的電力分選,磁力分選與電磁分選最早應(yīng)用于選礦技術(shù)[34],后逐漸用于生活垃圾分離與分選.李湘等[35]探究了利用磁力分選、靜電分選等方法分離提純?nèi)针s、家電及玩具類廢舊塑料的工藝的效果.垃圾先經(jīng)過磁選,去除其中的鐵釘?shù)却判晕镔|(zhì),之后經(jīng)過靜電分選,分選得到丙烯腈-丁二烯-苯乙烯塑料、聚丙烯和聚苯乙烯碎料.研究表明經(jīng)分選得到的破碎料與相關(guān)純破碎料的性能相差不大,證明了此分選方法的有效性.張洪建等[36]探究了用渦電流分選機(jī)從金屬鋁、塑料、聚酯及纖維片的混合物中分離高品質(zhì)鋁的效率,結(jié)果表明分選效率可達(dá)96.96%.

2.3 基于圖像識別的分類技術(shù)

基于圖像識別的分類技術(shù)是目前最流行的一種智能分類技術(shù),它的本質(zhì)是計算機(jī)視覺學(xué),就是用計算機(jī)或者攝影機(jī)代替人眼,對物體進(jìn)行觀察與追蹤.計算機(jī)視覺的概念最早出現(xiàn)在20世紀(jì)50年代的統(tǒng)計模式識別,1965年,Roberts開創(chuàng)了從二維圖片推導(dǎo)到三維場景的過程,這被認(rèn)為是現(xiàn)代計算機(jī)的前導(dǎo)之一[37],此后計算機(jī)視覺不斷明晰與發(fā)展.同時,這一技術(shù)在國內(nèi)也有良好的發(fā)展與應(yīng)用,最初應(yīng)用于工業(yè)過程自動化、檢測任務(wù)、遙感等方面[38].近年來隨著技術(shù)的成熟與發(fā)展,基于計算機(jī)視覺的智能分類技術(shù)逐漸發(fā)展起來.

基于圖像對垃圾進(jìn)行分類首先需要利用計算機(jī)(機(jī)器學(xué)習(xí)技術(shù))從圖像中獲取可以用于分類的信息,主要包含顏色、紋理、形狀和空間關(guān)系4個特征.

顏色是物體必備的視覺特征,同一類物體大多有類似的顏色組成,可以作為分類依據(jù).提取特征的方式包括顏色直方圖、顏色集、顏色矩、顏色聚合向量和顏色相關(guān)圖.顏色直方圖是一種常用的提取特征的方式[39-40],可以反映不同顏色在整個圖像中所占比例,直方圖由于其計算代價較小,且具有圖像平移、旋轉(zhuǎn)、縮放不變性等優(yōu)點(diǎn),在很多圖像分類中被廣泛使用,受到研究人員的普遍關(guān)注[41].

紋理特征也是一種重要的圖像分類技術(shù)方法.紋理特征刻畫了圖像中重復(fù)出現(xiàn)的局部模式及其排列規(guī)則,能夠描繪出物體表面所具有的內(nèi)在規(guī)律與結(jié)構(gòu),具有旋轉(zhuǎn)不變性和良好的抗噪性能,常用于圖像分類,其基本研究方法是利用像素點(diǎn)的灰度值明確圖像中像素分布規(guī)律.常用的紋理特征提取方法一般分為4大類[42]:基于統(tǒng)計的方法 (如灰度共生矩陣[43]、灰度行程統(tǒng)計[44]等)、基于模型的方法 (如同步自回歸模型[45]、馬爾可夫模型[46]等)、基于結(jié)構(gòu)的方法 (如句法紋理分析[42]、數(shù)學(xué)形態(tài)學(xué)法[47]等)和基于信號處理的方法 (如Radon變換[48]、小波變換方法[45]等).

形狀特征能夠反映目標(biāo)物體的本質(zhì)屬性信息,相較于前面所述物體的顏色和紋理特征可能會受到光照等因素的影響,形狀特征不易被外界因素所改變,它能夠表達(dá)更大范圍的信息,層次也會更高[49].但是形狀特征必須先對圖像中對象的邊緣和區(qū)域進(jìn)行分割和提取,在實(shí)現(xiàn)方法上有一定的困難.通常情況下,形狀特征有兩類表示方法:輪廓特征[50]和區(qū)域特征[51].圖像的輪廓特征主要針對物體的外邊界,而圖像的區(qū)域特征則關(guān)系到整個形狀區(qū)域.基于邊界的形狀特征提取方法主要有傅里葉描述符法和邊界特征法 (如Hough變換[52]),基于區(qū)域的形狀特征提取方法主要是不變矩和幾何參數(shù)法.

圖像的空間關(guān)系特征[53]是指圖像中分割出來的多個目標(biāo)之間的相互空間位置或相對方向關(guān)系,這些關(guān)系包括連接/鄰接關(guān)系,交疊/重疊關(guān)系和包含 /包容關(guān)系等.通常圖像中多目標(biāo)的空間位置有相對空間位置信息和絕對空間位置信息.前一種關(guān)系強(qiáng)調(diào)的是目標(biāo)之間的相對情況,如上下左右關(guān)系等,后一種關(guān)系強(qiáng)調(diào)的是目標(biāo)之間的距離大小以及方位[54].提取圖像空間關(guān)系特征的方法有2種[54]:一種方法是先將圖像進(jìn)行預(yù)處理,再劃分出分割圖像中所包含的對象或顏色區(qū)域,最后根據(jù)這些區(qū)域提取圖像特征,并建立索引;另一種方法則簡單地將圖像均勻劃分為若干規(guī)則子塊,然后對每個圖像子塊提取特征,并建立索引.

獲取生活垃圾的基本圖像特征之后,需要利用特征信息進(jìn)行分類,這一步也是基于機(jī)器學(xué)習(xí)的發(fā)展.但需要注意的是若只依據(jù)單一圖像特征進(jìn)行分類,不可避免地會產(chǎn)生許多偏差.因此,目前關(guān)于生活垃圾智能分類的研究大多是采用顏色、紋理、形狀、空間關(guān)系多種圖像特征結(jié)合,以獲得更加準(zhǔn)確的結(jié)果.如:黃國維[55]將圖像的紋理、形狀融合特征與顏色特征分別作為訓(xùn)練樣本訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)分類模型,結(jié)果表明,該模型對垃圾圖像分類的結(jié)果準(zhǔn)確率達(dá)到100%.

總體上來講,基于圖像識別的分類技術(shù)主要依賴于機(jī)器學(xué)習(xí)技術(shù),通過機(jī)器學(xué)習(xí)快速準(zhǔn)確地獲得圖像中的特征,并將提取的特征數(shù)據(jù)作為訓(xùn)練集和測試集構(gòu)建并優(yōu)化分類模型,達(dá)到快速精準(zhǔn)分類的目的.根據(jù)文獻(xiàn)調(diào)研結(jié)果,基于圖像識別的智能分類技術(shù)研究和應(yīng)用的范圍非常廣泛,包括廚余[56]、織物[57]、樹葉[57]、玻璃[58]、皮革[57]、金屬[59-61]、紙盒[62-64]、塑料[41,65-66]、石頭[57]、木材[57]、電池[55]和易拉罐[55]等生活垃圾,并且準(zhǔn)確性都在90%附近,具有較好的分類效果.

2.4 基于聲波的分類技術(shù)

聲波是彈性波的一種.在物質(zhì)中,由于某種原因引起初始擾動或振動后,這種擾動或振動就會以波的形式在介質(zhì)中傳播,也就是彈性波.當(dāng)物質(zhì)的種類及性質(zhì)不同時,相應(yīng)彈性波的聲學(xué)特性也就不同,包括:振幅、音調(diào)和音色.信號的振幅與能量成正比,振幅強(qiáng)度反映該區(qū)域的能量大小.音調(diào)則是由聲波的基本頻率決定的.音色是一種聲音的質(zhì)量,2個具有相同音調(diào)的聲音由于不同諧波的重疊,從而使聲波具有其特有的形狀[26].使用探測裝置接收到聲波并進(jìn)行分析,即可用來判斷物體的性質(zhì).這就是城市生活垃圾基于聲波特性進(jìn)行分類的原理.

早期聲波技術(shù)常常用來研究地球的內(nèi)部物質(zhì)組成和結(jié)構(gòu),并未用其進(jìn)行垃圾分類.隨著學(xué)科的不斷交叉,有研究者注意到聲波技術(shù)能獲得介質(zhì)物理性質(zhì)與力學(xué)特征的優(yōu)良特質(zhì),致使它識別與分類的材料范圍愈加廣泛.陳高泉[67]利用超聲波的良好性質(zhì),設(shè)計了一套排水管道超聲波成像檢測系統(tǒng),能在實(shí)驗室環(huán)境下用充滿水的金屬盆模擬實(shí)際排水管道的一側(cè)來估計垃圾淤泥的含量.Sanaee等[68]利用不同塑料在聲學(xué)上的獨(dú)特材料特性監(jiān)測廢塑料顆粒在磁力密度分離器中的分離過程的潛力,可以實(shí)時觀察顆粒速度高達(dá)30cm/s的鐵流內(nèi)部.Escrig等[69]利用超聲波技術(shù)與3種機(jī)器學(xué)習(xí)算法(K-鄰近算法、支持向量機(jī)、隨機(jī)森林)相結(jié)合,直接監(jiān)測了塑料和金屬圓柱形管道中食品材料的污垢去除情況數(shù)據(jù),并對管道內(nèi)污垢的存在進(jìn)行了預(yù)測,預(yù)測可信度可達(dá)100%.這些都驗證了聲波技術(shù)應(yīng)用于垃圾分類的可行性.

近些年來,基于聲波的垃圾分類研究不斷涌現(xiàn),由于傳統(tǒng)聲波分析需要人為地從聲學(xué)數(shù)據(jù)中提取特征,尋找有效的特征非常耗時,目前大多是聲波與機(jī)器學(xué)習(xí)相結(jié)合的研究.與基于圖像識別的分類技術(shù)類似,基于聲波的垃圾分類技術(shù)也是利用該機(jī)器學(xué)習(xí)處理實(shí)驗得到的原料特征聲學(xué)數(shù)據(jù),將其作為訓(xùn)練集、測試集,訓(xùn)練并優(yōu)化出適宜的垃圾分類模型.劉強(qiáng)等[70]建立了基于倒譜與神經(jīng)網(wǎng)絡(luò)的物體材質(zhì)智能識別模型與算法,采集用金屬球敲擊大小、形狀相等的玻璃、塑料、鋁片的聲波信號,提取復(fù)雜聲波信號的時域特征、頻域特征等用作建立特征庫,作為訓(xùn)練集和測試集構(gòu)建BP神經(jīng)網(wǎng)絡(luò),對玻璃、塑料、金屬鋁箔等常見物體材質(zhì)的識別準(zhǔn)確率分別為96.7%、86.4%和87.7%.Lu等[71]收集了16種不同規(guī)格和條件的垃圾自由落體沖擊的聲音信號,基于一維卷積神經(jīng)網(wǎng)絡(luò)方法,設(shè)計了一種多層非線性一維神經(jīng)網(wǎng)絡(luò)映射結(jié)構(gòu),用于從聲學(xué)數(shù)據(jù)中自動提取特征,采用正交實(shí)驗的方法研究了一維卷積神經(jīng)網(wǎng)絡(luò)的3個關(guān)鍵超參數(shù),優(yōu)化了網(wǎng)絡(luò)性能.該方法能夠在較短時間內(nèi)達(dá)到92.4%的分類率.

2.5 基于光譜的分類技術(shù)

光譜技術(shù)的原理為當(dāng)物質(zhì)接收外界能量 (電能或熱能)時,核外電子就會由基態(tài)變?yōu)榧ぐl(fā)態(tài)躍遷到高能級,電子變得不穩(wěn)定,之后激發(fā)態(tài)原子向較低能量級或基態(tài)躍遷時,會把多余的能量以光的形式釋放產(chǎn)生光譜.分析產(chǎn)生的光譜可以得到此物質(zhì)的組成特征信息.光譜圖中波長代表了某種元素或某個特定官能團(tuán),而光譜圖的譜線是由發(fā)射該譜線的光子數(shù)目決定,光子數(shù)目多則譜線強(qiáng)度大,光子數(shù)目少則譜線強(qiáng)度弱,光子的數(shù)目又由處于基態(tài)的原子數(shù)目所決定,基態(tài)原子數(shù)目則取決于該物質(zhì)中元素含量的多少,最終可以根據(jù)譜線強(qiáng)度獲得該元素的含量.

早期用人工分析光譜鑒別物質(zhì)組成[27],但當(dāng)光譜信息非常復(fù)雜時,僅靠人工分析光譜圖中大量波峰包含的信息是一項非常費(fèi)時費(fèi)力的工作.隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展,將機(jī)器學(xué)習(xí)與光譜分析結(jié)合是目前備受關(guān)注的一項技術(shù),廣泛用于生活垃圾智能分類方面的研究.

基于光譜的生活垃圾智能分類技術(shù)首先通過實(shí)驗獲得樣品光譜圖,目前文獻(xiàn)中已有用于生活垃圾分類技術(shù)研究的光譜技術(shù)[72]有:紅外光譜、電感耦合等離子體、拉曼光譜、原子吸收光譜、激光誘導(dǎo)擊穿光譜等.紅外光譜是應(yīng)用最廣泛的一種技術(shù),能夠滿足化合物鑒別與分選的要求,但是紅外光譜無法應(yīng)用于黑色樣品的譜圖獲取,導(dǎo)致其應(yīng)用場景受到了限制.電感耦合等離子體能提供高效的霧化、激發(fā)和電離,對于高精度的液體樣品分析具有顯著優(yōu)勢,但是需要對樣品進(jìn)行處理,比如在進(jìn)行塑料樣品分析之前,需要對樣品進(jìn)行溶解,耗費(fèi)時間.拉曼光譜可用于檢測分子帶,適用于作為輸入構(gòu)建識別模型[73],但其信號微弱,在使用時需格外注意.原子吸收光譜具有靈敏度高的優(yōu)點(diǎn),但在測試前需將樣品粉碎融入液體,導(dǎo)致過程繁瑣費(fèi)時.激光誘導(dǎo)擊穿光譜適用于測量所有顏色的樣品,但激光誘導(dǎo)擊穿光譜發(fā)射的脈沖能量過高,在測量易燃樣品時需謹(jǐn)慎.

光譜數(shù)據(jù)采集完成之后,利用光譜信息進(jìn)行分類工作.首先需對光譜數(shù)據(jù)進(jìn)行預(yù)處理,以增加分類結(jié)果的準(zhǔn)確性.主成分分析法[74-78]是一種最常用的算法,可用于降低原始光譜數(shù)據(jù)集維數(shù),它也經(jīng)常與其它方式相結(jié)合用于光譜數(shù)據(jù)的處理.Yu等[79]采用主成分分析法,在訓(xùn)練SVM分類模型之前,用位于247.86nm處的碳譜線對每個光譜的光譜強(qiáng)度進(jìn)行歸一化,利用主成分分析法給出聚合物分類中歸一化特征譜線的權(quán)重用于分類模型的構(gòu)建.Liu等[80]將主成分分析法與局部線性嵌入法相結(jié)合用于光譜數(shù)據(jù)處理來尋找降維的有效表示.獨(dú)立成分分析法[81]也曾與主成分分析法結(jié)合組成混合預(yù)處理算法用于從光譜中提取較好的特征.Shameem等[82]還將主成分分析法與統(tǒng)計學(xué)中的馬氏距離法結(jié)合分析樣品的光譜數(shù)據(jù).此外,有研究[83-84]還曾使用Savitzky-Golay最小二乘求導(dǎo)法來消除儀器背景干擾,測樣器件引起光譜差異等因素對校正結(jié)果產(chǎn)生的影響,以及通過小波變換平滑來提高信號曲線的平滑度.

光譜信息經(jīng)過預(yù)處理之后,即可作為訓(xùn)練集和測試集用來構(gòu)建和優(yōu)化生活垃圾分類模型.文獻(xiàn)調(diào)研結(jié)果顯示,研究中曾經(jīng)用到的機(jī)器學(xué)習(xí)算法有:回歸算法(如最小二乘法[77])、基于實(shí)例的算法(如自組織映射算法[84]、k最近鄰算法[77])、決策樹算法(如隨機(jī)森林[85]、決策樹集成模型[86])、基于核的算法(如支持向量機(jī)[87-88]、線性判別分析[86]、徑向基函數(shù)[81,89])、聚類算法(如k-Means算法[84]、聚類分析[90])、人工神經(jīng)網(wǎng)絡(luò)(如反向傳遞[91-93])和深度學(xué)習(xí)(如卷積網(wǎng)絡(luò)[94]).除上述所說的機(jī)器學(xué)習(xí)算法外,也有研究采用統(tǒng)計學(xué)方法用于生活垃圾的智能分類,Lasheras等[95]和Anzano等[96]采用線性相關(guān)和秩相關(guān)對化學(xué)成分相似的聚合物進(jìn)行了光譜識別,將未知光譜與數(shù)據(jù)庫光譜對比后可得到分類結(jié)果.研究結(jié)果表明上述諸多分類模型的準(zhǔn)確性約為90%,處于較高水平,對未來工程應(yīng)用具有重要的指導(dǎo)意義.

從技術(shù)發(fā)展的特點(diǎn)與趨勢來看,當(dāng)前應(yīng)用較廣的垃圾智能分類技術(shù)以基于密度、電、磁等原理為主,這些技術(shù)更多地是以垃圾各組分自身的物理性質(zhì)為基準(zhǔn)進(jìn)行垃圾分選,但部分情況下存在垃圾組分物理性質(zhì)與其應(yīng)用特性間的割裂,精細(xì)化程度較低.隨著社會對垃圾分類水平的需求增長以及智能分類領(lǐng)域底層技術(shù)的發(fā)展,基于圖像識別、聲波、光譜等表征手段的垃圾智能分類技術(shù)及其衍生出的智能分類產(chǎn)品近年來逐漸展現(xiàn)出較強(qiáng)的競爭力,但其成本與效用距離更大范圍的應(yīng)用仍存在一定距離,且不同分類技術(shù)呈現(xiàn)出各自的特點(diǎn)與優(yōu)勢.事實(shí)上,垃圾分類根本上是為了實(shí)現(xiàn)垃圾中各種組分的高效處理與利用.因此,基于表征手段的垃圾智能分類技術(shù)更加契合垃圾分類的本質(zhì)需求.

3 垃圾智能分類產(chǎn)品

針對目前的垃圾收運(yùn),分類需求以及智能分類技術(shù)發(fā)展現(xiàn)狀,市場上已出現(xiàn)多種垃圾智能分類衍生產(chǎn)品,其概況如表2所示.

表2 垃圾智能分類產(chǎn)品特點(diǎn)

3.1 生活垃圾直接分選設(shè)備

生活垃圾直接分選設(shè)備能將混合的生活垃圾直接進(jìn)行分選,主要有工業(yè)化生活垃圾智能分選設(shè)備與新型智能垃圾分類設(shè)備.

工業(yè)化生活垃圾智能分選設(shè)備有基于密度、電、磁的垃圾分選技術(shù),這些設(shè)備已經(jīng)相對成熟,已廣泛應(yīng)用于垃圾處理廠,比如:篩分機(jī)、風(fēng)選機(jī)、靜電分選機(jī)、磁力分選設(shè)備、渦電流分選機(jī)等.工業(yè)化生活垃圾智能分選設(shè)備、操作相對簡單,投入相對較少,維修方便,但分選精度不高,無法實(shí)現(xiàn)生活垃圾全類別分選.

近年來,隨著計算機(jī)技術(shù)的興起與精密儀器的發(fā)展,基于圖像、光譜等特性的新型智能垃圾分選設(shè)備逐步涌現(xiàn).但這種分類設(shè)備極其依賴于科技的進(jìn)步,工業(yè)化應(yīng)用時對設(shè)備的準(zhǔn)確性、實(shí)用性等具有一定的要求,因此目前整體上處理研發(fā)階段,面市的產(chǎn)品還未到成熟階段.新型智能垃圾分類產(chǎn)品有分選機(jī)器人、光電分選設(shè)備、高光譜分選設(shè)備,應(yīng)用于建筑垃圾及生活垃圾分選.還有處于研發(fā)階段的生活垃圾智能分類機(jī)器人與基于觸覺的生活垃圾智能分選設(shè)備.新型智能垃圾分類設(shè)備的分類準(zhǔn)確率、精細(xì)化程度高,能夠?qū)崿F(xiàn)實(shí)時分選,但由于依賴圖像、光譜等信息的獲取,對設(shè)備要求高,投入相對較大,應(yīng)用的難度也偏大.

3.2 生活垃圾輔助分選設(shè)備

隨著我國垃圾分類制度逐漸推行與人工智能技術(shù)迅速發(fā)展,小型的輔助便民分類設(shè)備需求逐漸加大.生活垃圾輔助分選設(shè)備用于輔助居民簡化分類進(jìn)程.

智能垃圾分類軟件的出現(xiàn)可幫助市民簡化垃圾分類工作,減輕負(fù)擔(dān).垃圾分類軟件多種多樣,但其原理主要都是利用文本、語音和圖像信息完成垃圾分類檢索查詢.利用文本查詢的軟件中會預(yù)先存儲有常見垃圾及其所屬類別的數(shù)據(jù)庫,用戶只需輸入待分類的垃圾,即可知道相應(yīng)的分類結(jié)果.利用語音查詢的垃圾分類軟件則首先需要使用語音識別技術(shù)將語音轉(zhuǎn)換為文本,之后的步驟與前面所述相同.利用圖像查詢垃圾類別可分為兩種原理,一種需要將圖像轉(zhuǎn)換為文字進(jìn)行查詢,即首先通過模型識別圖中物體,再查表得到該物體所屬類別;另一種則直接訓(xùn)練模型學(xué)習(xí)圖片的分類,省去識別物體的過程.前兩種方法的準(zhǔn)確度高,只受數(shù)據(jù)庫的限制.而利用圖像信息的垃圾分類查詢軟件不僅僅受到數(shù)據(jù)庫內(nèi)容的限制,更取決于深度學(xué)習(xí)方法的發(fā)展,需要加大研發(fā)力度.

智能識別軟件與智能垃圾桶等小型垃圾分類設(shè)備多用于居民端進(jìn)行粗分類,幫助減輕居民垃圾分類負(fù)擔(dān),保障垃圾分類政策順利進(jìn)行.垃圾智能分類產(chǎn)品的出現(xiàn)大大方便了人民的生活,應(yīng)用前景廣泛.可預(yù)見地,隨著聲、圖像、光、電、磁等技術(shù)及人工智能方法的高速發(fā)展,垃圾智能分類產(chǎn)品的種類與性能將不斷豐富,進(jìn)而顯著提升人們生活的便捷性與環(huán)境的可持續(xù)性.

4 思考與展望

4.1 垃圾智能分類技術(shù)面臨的挑戰(zhàn)

當(dāng)前的垃圾分類技術(shù)主要針對成型度較高、相對干燥的垃圾,但對于實(shí)際生活垃圾,尤其是垃圾中轉(zhuǎn)站、垃圾處理廠階段,垃圾往往是以高度破碎、高度摻雜的形式存在的,其更加難以識別與分離,這給以智能識別為核心的智能分類技術(shù)帶來了很大的挑戰(zhàn).因此,在進(jìn)入智能分類設(shè)備之前,居民端進(jìn)行簡單的垃圾分類十分必要.此外,智能分類技術(shù)需要與傳統(tǒng)的物理分類相結(jié)合實(shí)現(xiàn)高效率分選.

市場上常見的或者正處于研發(fā)階段的生活垃圾智能分類技術(shù),基本是以單一的分類原理進(jìn)行,但僅單一的技術(shù)很難將生活垃圾直接分類至可處置利用的水平,比如,風(fēng)力分選機(jī)可以按照密度不同將生活垃圾分成重質(zhì)、中重質(zhì)組分、輕質(zhì)組分,但這三種不同重量的組分卻仍然是由不同的材料組成的.因此,需要有更加全面的垃圾分類技術(shù),不同智能技術(shù)與傳統(tǒng)分類技術(shù)等多種分類技術(shù)的耦合銜接可能成為系統(tǒng)化垃圾智能分類的必由之路,更好地促進(jìn)城市生活垃圾分類的發(fā)展.

此外,目前的生活垃圾智能分類主要是從前端以不同的技術(shù)為導(dǎo)向,考慮復(fù)雜的垃圾組成會對其下游垃圾的處理與處置產(chǎn)生影響,應(yīng)建立以末端需求為導(dǎo)向的垃圾智能分類技術(shù),將智能分類技術(shù)研發(fā)和下游處置利用技術(shù)結(jié)合起來,使垃圾分類結(jié)果能夠滿足不同的垃圾處理處置技術(shù),才能更好地實(shí)現(xiàn)垃圾處置與利用.

與此同時,生活垃圾智能分類技術(shù)在技術(shù)及成本方面也面臨著嚴(yán)峻挑戰(zhàn).基于圖像、聲波、光譜等的分類技術(shù)可能受限于算法復(fù)雜性及設(shè)備成本等因素,其垃圾材質(zhì)識別能力還有待提高.生活垃圾智能分類設(shè)備的成本則直接影響到智能分類設(shè)備的推廣范圍.因此,需要不斷降低前沿技術(shù)的落地應(yīng)用成本,為垃圾分類構(gòu)建切實(shí)可行的底層技術(shù)基礎(chǔ).

4.2 垃圾智能分類技術(shù)面臨的機(jī)遇

目前,垃圾分類及其處置利用正在成為世界性難題.一方面,隨著我國垃圾處理產(chǎn)業(yè)模式的升級,我國已于2021年1月1日開始全面禁止以任何方式進(jìn)口固體廢棄物[99],促使世界各國更加關(guān)注垃圾的分類與處置問題,更好地發(fā)揮全球研發(fā)力量,促進(jìn)垃圾智能分類技術(shù)的發(fā)展;另一方面,為實(shí)現(xiàn)我國碳達(dá)峰、碳中和目標(biāo),垃圾分類與回收是一個重要的途徑和手段,因此,高效的垃圾分類必不可少,這也為垃圾智能分類技術(shù)的發(fā)展創(chuàng)造了契機(jī).

同時,在信息化技術(shù)與設(shè)備高速發(fā)展的時代背景下,生活垃圾智能分類的底層技術(shù)也出現(xiàn)新的突破口.一方面,高光譜、太赫茲等前沿表征技術(shù)與儀器的民用化日趨成熟,使生活垃圾分類能夠以更加精細(xì)、高效的手段對垃圾中的各種組分進(jìn)行識別區(qū)分,從而更好地對其進(jìn)行針對性處置與利用;另一方面,隨著計算機(jī)芯片技術(shù)的發(fā)展,以計算機(jī)算力為支撐的機(jī)器學(xué)習(xí)方法理論也得到質(zhì)的飛躍,對于前端表征分析儀器所產(chǎn)生的大量數(shù)據(jù)進(jìn)行解譜與即時處理也變得可能.

此外,隨著我國垃圾分類政策的全面推行,我國收運(yùn)與分揀側(cè)的垃圾種類逐漸向精細(xì)化、均質(zhì)化的方向發(fā)展,這顯著降低了下游垃圾分類難度,使得基于不同表征原理的智能分類技術(shù)能夠更好地避免原料的非均質(zhì)性對分類結(jié)果準(zhǔn)確性產(chǎn)生的負(fù)面影響.

從技術(shù)層面來看,雖然當(dāng)前基于密度、電、磁等原理的以垃圾物理特性為基準(zhǔn)的分類技術(shù)應(yīng)用更加廣泛,但隨著社會對垃圾分類水平的需求增長以及智能分類領(lǐng)域底層技術(shù)的發(fā)展,基于圖像識別、聲波、光譜的垃圾分類技術(shù)及其衍生出的智能分類產(chǎn)品將展現(xiàn)出越來越強(qiáng)的競爭力,但其成本與效用距離更大范圍的應(yīng)用仍存在一定距離.然而,無論何種原理的分類技術(shù),其單獨(dú)應(yīng)用都很難實(shí)現(xiàn)垃圾物理特性與其下游應(yīng)用特性間的精細(xì)化銜接.據(jù)此,在發(fā)展各類智能分類技術(shù)的同時,探索不同分類技術(shù)銜接耦合的可能性,使之構(gòu)成高效的集成化系統(tǒng),可能成為未來生活垃圾智能分類研究領(lǐng)域的重要方向.

[1] 中華人民共和國統(tǒng)計局.中國統(tǒng)計年鑒 [M]. 北京:中國統(tǒng)計出版社, 2020.

National Bureau of Statistics of China. China statistical yearbook [M]. Beijing: China Statistics Press, 2020.

[2] 李英華,楊朝旭,伯 鑫,等.生活垃圾焚燒廠周邊土壤中PCDD/Fs及重金屬含量 [J]. 中國環(huán)境科學(xué), 2020,40(2):726-735.

Li Y H, Yang Z X, Bo X, et.al. PCDD/Fs levels and heavy metal characteristics in soils surrounding typical municipal waste incineration plants in the Chengdu area. [J]. China Environmental Science. 2020,40(2):726-735.

[3] 劉文浩.新技術(shù)可回收電子廢棄物中的關(guān)鍵金屬[J]. 黃金科學(xué)技術(shù), 2020,28(2):245.

Liu W H. New technology recycles key metals from e-waste [J]. Gold Science and Technology, 2020,28(2):245.

[4] 趙愛之.廢棄塑料回收方法概述[J]. 塑料科技, 2020,48(9):123-126.

Zhao A Z. Reviewer on the recycling technique for waste plastic [J]. Plastics Science and Technology, 2020,48(9):123-126.

[5] 文 斐.我國餐廚垃圾處理工藝技術(shù)路線選擇與分析[J]. 環(huán)境與發(fā)展, 2020,32(9):107-109.

Wen F. Selection and analysis of food waste treatment process in China [J]. Environment and Development, 2020,32(9):107-109.

[6] 魯 斌,龔 凱,蔣紅與,等.AnMBR用于餐廚垃圾和剩余污泥共發(fā)酵的性能研究 [J]. 中國環(huán)境科學(xué), 2021,41(5):2290-2298.

Lu B, Gong K, Jiang H Y, et.al. Performance of AnMBR for the co-digestion of food waste and waste activity sludge [J]. China Environmental Science. 2021,41(5):2290-2298.

[7] 張海龍,李祥平,齊劍英,等.華南某市生活垃圾組成特征分析[J]. 環(huán)境科學(xué), 2015,36(1):325-332.

Zhang H L, Li X P, Qi J Y, et. al. Analysis of composition characteristics of municipal solid waste in South China [J]. Environmental Science, 2015,36(1):325-332.

[8] 王建偉,鄭 鵬,崔 慧.等離子體氣化熔融/垃圾處理系統(tǒng)[J]. 新能源進(jìn)展, 2020,8(5):391-395.

Wang J W, Zhen P, Cui H, et.al. Plasma gasification melting/waste treatment system [J]. Advances in New and Renewable Energy, 2020,8(5):391-395.

[9] 王丹丹,菅利榮,付帥帥.城市生活垃圾分類回收治理激勵監(jiān)督機(jī)制研究 [J]. 中國環(huán)境科學(xué), 2020,40(7):3188-3195.

Wang D D, Jian L R, Fu S S, et.al. Incentive and supervision mechanism of municipal solid waste separation and recycling [J]. China Environmental Science, 2020,40(7):3188-3195.

[10] 任 越,楊俊杰.生活垃圾分類處理方式的生態(tài)效率評價 [J]. 中國環(huán)境科學(xué), 2020,40(3):1166-1175.

Ren Y, Yang J J. Eco-efficiency assessment of municipal solid waste sorting treatment mode [J]. China Environmental Science, 2020,40(3): 1166-1175.

[11] 梅書枰.基于MobileNetV3公共垃圾分類系統(tǒng)[D]. 武漢:武漢紡織大學(xué), 2020.

Mei S P. Public garbage classification system based on MobileNetv3 [D]. Wuhan: Wuhan Textile University, 2020.

[12] 陳禹行,莊志凌,曾 杰.我國垃圾分類現(xiàn)狀與智能分類垃圾系統(tǒng)設(shè)計分析[J]. 電子技術(shù)與軟件工程, 2019,(23):99-102.

Chen Y H, Zhuang Z L, Zeng J, et.al. Analysis of garbage classification situation and intelligent garbage classification system in China [J]. Electronic Technology & Software Engineering, 2019, (23):99-102.

[13] 周瀅慜.基于機(jī)器視覺的生活垃圾智能分揀系統(tǒng)的設(shè)計與實(shí)現(xiàn)[D]. 哈爾濱:哈爾濱工業(yè)大學(xué), 2018.

Zhou H Y. Design and implementation of intelligent garbage Sorting system based on machine vision [D]. Harbin: Harbin Institute of Technology, 2018.

[14] CJ/T 313-2009中華人民共和國城鎮(zhèn)建設(shè)行業(yè)標(biāo)準(zhǔn):生活垃圾采樣和分析方法[S].

[15] Wu C L X. Factors influencing municipal solid waste generation in China: A multiple statistical analysis study [J]. Waste Management & Research, 2010,29(4):371-378.

[16] 李 丹,陳冠益,馬文超,等.中國村鎮(zhèn)生活垃圾特性及處理現(xiàn)狀[J]. 中國環(huán)境科學(xué), 2018,38(11):4187-4197.

Li D, Chen G Y, Ma W C, et al. Characteristics and treatment status of rural solid waste in China [J]. China Environmental Science, 2018, 38(11):4187-4197.

[17] 李美葉,鄭振濤.濟(jì)南市生活垃圾性狀變化趨勢及處理技術(shù)多元化轉(zhuǎn)型分析 [J]. 環(huán)境衛(wèi)生工程, 2014,22(4):62-64.

Li M Y, Zhen Z T. Property change of domestic waste and diversified transition of treatment technologies in Jinan [J]. Environmental Sanitation Engineering, 2014,22(4):62-64.

[18] 張 益,楊承休.上海市區(qū)生活垃圾產(chǎn)生量及成分分析 [J]. 環(huán)境衛(wèi)生工程, 2000,(3):104-106.

Zhang Y, Yang C X. The output and component analysis of domestic solid waste in Shanghai residential area. [J]. Environmental Sanitation Engineering, 2000,(3):104-106.

[19] 闞寶鵬.青島市城市生活垃圾處理現(xiàn)狀,理化特性及處置方式研究[D]. 青島:青島大學(xué), 2017.

Kan B P. Study on treatment status, physical and chemical characteristics and disposal methods of municipal solid waste in Qingdao [D]. Qingdao: Qingdao University, 2017.

[20] 王桂琴,張紅玉,王 典,等.北京市城區(qū)生活垃圾組成及特性分析[J]. 環(huán)境工程, 2018,36(4):132-136.

Wang G Q, Zhang H Y, Wang D, et al. Physical composition and characteristics analysis of the municipai solid waste (MSW) in Beijing [J].Environmental Engineering, 2018,36(4):132-136.

[21] 程 偉.北京城區(qū)和農(nóng)村地區(qū)生活垃圾組成特性的對比分析[J]. 再生資源與循環(huán)經(jīng)濟(jì), 2020,13(1):17-22.

Chen W. Comparative analysis of physical composition and characteristics of domestic waste in urban and rural areas of Beijing [J]. Recyclable Resources and Circular Economy, 2020,13(1):17-22.

[22] Wang H, Wang C. Municipal solid waste management in Beijing: characteristics and challenges [J]. Waste Management & Research, 2013,31(1):67-72.

[23] 余金保,李潤華.固體廢物分選方法選擇及提高分選效率途徑的研究[J]. 景德鎮(zhèn)高專學(xué)報, 2011,26(2):8-9.

Yu J B, Li R H. Study on selection of solid waste separation methods and ways to improve separation efficiency [J].Journal of Jingdezhen University. 2011,26(2):8-9.

[24] 劉 毅.我國生活垃圾自動分選技術(shù)及設(shè)備發(fā)展現(xiàn)狀研究[J]. 廣東科技, 2019,28(9):60-62.

Liu Y. Research on development status of automatic separation technology and Equipment of Domestic garbage in China [J]. Guangdong Science & Technology, 2019,28(9):60-62.

[25] 李東陽.Android手機(jī)上圖像分類技術(shù)的研究 [D]. 北京:北京郵電大學(xué), 2013.

Li D Y. Research on image classification technology on Android Mobile phone [D]. Beijing: Beijing University of Posts and Telecommunications, 2013.

[26] Lopez-Caudana E, Quiroz O, Rodríguez A, et al. Classification of materials by acoustic signal processing in real time for NAO robots [J]. International Journal of Advanced Robotic Systems, 2017,14(4): 256009493.

[27] 苗蓉麗.紅外光譜定性分析聚酰胺(尼龍)品種 [C]//中國光學(xué)學(xué)會光譜委員會、中國化學(xué)會物理化學(xué)委員會.第九屆全國分子光譜學(xué)術(shù)報告會論文集.貴陽, 1996:195-198.

Miao R L. Qualitative analysis of polyamide (nylon) varieties by infrared spectroscopy[C]//Spectral Committee of Chinese Optical Society and Physical Chemistry Committee of Chinese Chemical Society. Proceedings of the 9th National Symposium on Molecular Spectroscopy. Guiyang, 1996,195-198.

[28] 黃昌武.國外城市垃圾及治理動態(tài)[J]. 環(huán)境科學(xué)動態(tài), 1984,(5):2-6.

Huang C W. Foreign city refuse and control trends [J]. Environment and Sustainable Development, 1984,(5):2-6.

[29] 張仲燕,趙根妹,梁琥琪,等.聚酯(PET)廢塑料分離回收方法研究[J]. 環(huán)境科學(xué), 1994,(3):26-29.

Zhang Z Y, Zhao G M, Liang H Q, et al. Study on separation and recovery of PET waste plastics [J]. Environmental Science, 1994,(3): 26-29.

[30] CJ/T 5013.1-1995 垃圾分選機(jī)垃圾滾筒篩 [S].

CJ/T 50131-1995 Garbage roller screen of garbage separator [S].

[31] 高春雨,郭仁寧,紀(jì)俊紅.城市生活垃圾風(fēng)力分選效率研究[J]. 遼寧工程技術(shù)大學(xué)學(xué)報, 2005,(S1):278-279.

Gao C Y, Guo R N, Ji J H. Investigation of efficiency on sorting municipal solid waste by wind power [J]. Journal of Liaoning Technical University. 2005,(S1):278-279.

[32] 楊學(xué)權(quán),蔡玉良,陳 蕾,等.生活垃圾重力分選機(jī)的開發(fā)計算[J]. 水泥工程, 2010,(2):43-47.

Yang X Q, Cai Y L, Chen L, et al. Development calculation of urban garbage gravity separator [J]. Cement Engineering, 2010,(2):43-47.

[33] 劉劍波,張利珍,蔣振山,等.垃圾分選設(shè)備中的新技術(shù)進(jìn)展[J]. 科技信息(學(xué)術(shù)研究), 2006,(6):16-18.

Liu J B, Zhang L Z, Jiang Z S, et.al. New technology progress in garbage separation equipment [J]. Science and Technology Information (Academic Research), 2006,(6):16-18.

[34] 普拉克辛ин,江纘高.科學(xué)研究工作與選礦技術(shù)的成就[J]. 有色金屬, 1959,(16):19-22.

Plaksin ин, Jiang Z G. Scientific Research and beneficiation technology achievements [J]. Nonferrous Metals Engineering, 1959, (16):19-22.

[35] 李 湘,方松剛,徐 娟,等.廢舊塑料的分離提純工藝—日雜,家電及玩具類[J]. 塑料工業(yè), 2020,48(10):165-169.

Li X, Fang S G, Xu J, et.al. Separation and purification process of waste plastics-daily sundries, household appliance and toys [J].China Plastics Industry, 2020,48(10):165-169.

[36] 張洪建,王全強(qiáng),宋振玲.廢棄PCB中鋁的渦電流分選研究[J]. 河北建筑科技學(xué)院學(xué)報, 2005,(4):12-15.

Zhang H J, Wang Q Q, Song Z L. Eddy current separation of aluminum from discarded PCBs [J]. Journal of Hebei University of Engineering, 2005,(4):12-15.

[37] 王生進(jìn).計算機(jī)視覺的發(fā)展之路 [J]. 人工智能, 2017,(6):8-13.

Wang S J. The development of computer vision [J]. AI-View, 2017,(6):8-13.

[38] 蔡愉祖.計算機(jī)視覺概述 [J]. 系統(tǒng)工程與電子技術(shù), 1986,(1):60-68.

Cai Y Z. Overview of computer vision [J]. System Engineering and Electronics, 1986,(1):60-68.

[39] 汪啟偉.圖像直方圖特征及其應(yīng)用研究[D]. 合肥:中國科學(xué)技術(shù)大學(xué), 2014.

Wang Q W. Study on image histogram feature and application [D]. Hefei: University of Science and Technology of China, 2014.

[40] 曹莉華,柳 偉,李國輝.基于多種主色調(diào)的圖像檢索算法研究與實(shí)現(xiàn)[J]. 計算機(jī)研究與發(fā)展, 1999,(1):97-101.

Cao L H, Liu W, Li G H. Research and implementation of an image retrieval oalgorithm based on multiple dominant colors [J]. Journal of Computer Research and Development, 1999,(1):97-101.

[41] 范亭亭.基于顏色特征的回收塑料瓶分類算法研究[D]. 邯鄲:河北工程大學(xué), 2018.

Fan T T. Research on classification algorithm of recycled plastic bottles based on color features [D]. Handan: Hebei University of Engineering, 2018.

[42] 劉 麗,匡綱要.圖像紋理特征提取方法綜述[J]. 中國圖象圖形學(xué)報, 2009,14(4):622-635.

Liu L, Kuang G Y. Overview of image textural feature extraction methods [J]. Journal of Image and Graphics, 2009,14(4):622-635.

[43] 王惠明,史 萍.圖像紋理特征的提取方法[J]. 中國傳媒大學(xué)學(xué)報(自然科學(xué)版), 2006,(1):49-52.

Wang H M, Shi P. Methods to extract images texture features [J]. Journal of Communication University of China (Science and Technology), 2006,(1):49-52.

[44] 萬 震,邵衛(wèi)榮,翁紅星.灰度行程統(tǒng)計法分析脂肪肝患者超聲圖像的研究[J]. 中國醫(yī)藥科學(xué), 2011,1(23):122-123.

Wan Z, Shao W R, Weng H X. Analysis of ultrasonic images of patients with fatty liver by gray stroke statistics [J]. China Medicine and Pharmacy. 2011,1(23):122-123.

[45] 刁哲軍,楊曉波,馮冀寧.利用同步自回歸模型和小波特征進(jìn)行紋理圖像分割[J]. 河北師范大學(xué)學(xué)報, 2005,(5):477-480.

Diao Z J, Yang X B, Feng J N. Texture segmentation using simultaneous autoregressive model and wavelet feature [J]. Journal of Hebei Normal University (Natural Science), 2005,(5):477-480.

[46] 陳易平,孫道宗,朱岸青.基于二維馬爾可夫過程全局模型的圖像壓縮[J]. 光學(xué)技術(shù), 2020,46(5):634-640.

Chen Y P, Sun S Z, Zhu A Q. Image compression based on global model of two-dimensional Markov process [J]. Optical Technique, 2020,46(5):634-640.

[47] 吳 冰,楊 翠,魏文英.Gabor濾波與數(shù)學(xué)形態(tài)學(xué)結(jié)合下激光圖像亞像素邊緣檢測[J]. 激光雜志, 2020,41(11):110-114.

Wu B, Yang C, Wei W Y. Laser image sub-pixel edge detection combined with Gabor filter and mathematical morphology [J]. Laser Journal, 2020,41(11):110-114.

[48] 姚西成,冷昕云.基于線性隨機(jī)Radon變換以及傅里葉變換的圖像加密[J]. 電腦與信息技術(shù), 2020,28(6):11-13.

Yao X C, Leng X Y. Image encryption based on linear random radon transform and fourier transform [J]. Computer and Information Technology. 2020,28(6):11-13.

[49] 張 翔.圖像識別的形狀特征提取算法研究及實(shí)現(xiàn)[D]. 西安:西北大學(xué), 2018.

Zhang X. Research and implementation of shape feature extraction algorithm for image recognition [D]. Xi 'an: Northwest University, 2018.

[50] 王吉林,趙 力.數(shù)字圖像形狀特征提取的研究[J]. 微電子學(xué)與計算機(jī), 2010,27(5):118-120.

Wang J L, Zhao L. Research on extracting shape feature of digital image [J]. Microelectronics & Computer, 2010,27(5):118-120.

[51] 郭志強(qiáng).基于區(qū)域特征的小波變換圖像融合方法[J]. 武漢理工大學(xué)學(xué)報, 2005,27(2):65-67,71.

Guo Z Q. Wavelet transform image fusion based on regional features [J]. Journal of Wuhan University of Technology, 2005,27(2):65- 67,71.

[52] 楊全銀.基于Hough變換的圖像形狀特征檢測[D]. 濟(jì)南:山東大學(xué), 2009.

Yang Q Y. Image shape feature detection based on Hough transform [D]. Jinan: Shandong University, 2009.

[53] 鄭冬婷,董 赟,朱星弛,等.一種用于圖像檢索的新型空間關(guān)系特征[J]. 計算機(jī)工程與應(yīng)用, 2019,55(10):1-8.

Zhen D T, Dong B, Zhu X C, et al. New spatial relational feature for image retrieval [J]. Computer Engineering and Applications, 2019, 55(10):1-8.

[54] 程顯毅,李小燕,任越美.圖像空間關(guān)系特征描述[J]. 江南大學(xué)學(xué)報(自然科學(xué)版), 2007,(6):637-641.

Cheng X Y, Li X Y, Ren Y M. The summary on description of space relation in image [J]. Journal of Jiangnan University (Natural Science Edition), 2007,(6):637-641.

[55] 黃國維.基于深度學(xué)習(xí)的城市垃圾桶智能分類研究[D]. 淮南:安徽理工大學(xué), 2019.

Huang G W. Research on intelligent classification of urban waste cans based on deep learning [D]. Huainan: Anhui University of Science and Technology, 2019.

[56] 劉雅璇,潘萬彬.基于自我訓(xùn)練的長效垃圾分類方法[J]. 中國圖象圖形學(xué)報, 2019,24(5):773-781.

Liu Y X, Pan W B. Long-term waste classification based on self-training [J]. Journal of Image and Graphics, 2019,24(5):773-781.

[57] Sharan L, Liu C, Rosenholtz R, et al. Recognizing materials using perceptually inspired features [J]. International Journal of Computer Vision, 2013,103(3):348-371.

[58] 張方超,董 振,張 棟,等.基于圖像視覺的垃圾分類機(jī)器人識別控制系統(tǒng)算法設(shè)計[J]. 電子測量技術(shù), 2019,42(20):63-67.

Zhang F C, Dong Z, Zhang D, et al. Algorithm design of garbage classification robot recognition control system based on image vision [J]. Electronic Measurement Technology, 2019,42(20):63-67.

[59] 李力涵.基于計算機(jī)視覺的智能廢料瓶分類系統(tǒng)[D]. 杭州:浙江工商大學(xué), 2019.

Li L H. Computer vision-based intelligent waste bottle classification system [D]. Hangzhou: Zhejiang Gongshang University, 2019.

[60] Adedeji O, Wang Z. Intelligent waste classification system using deep learning convolutional neural network [J]. Procedia Manufacturing, 2019,35:607-612.

[61] 吳 健,陳 豪,方 武.基于計算機(jī)視覺的廢物垃圾分析與識別研究[J]. 信息技術(shù)與信息化, 2016,(10):81-83.

Wu J, Chen H, Fang W. Research on waste analysis and identification based on computer vision [J]. Information Technology and Informatization, 2016,(10):81-83.

[62] 陶威遠(yuǎn),姜太平,鄭一然.基于Faster R-CNN算法的垃圾分類識別系統(tǒng)[J]. 網(wǎng)絡(luò)安全技術(shù)與應(yīng)用, 2020,(3):45-47.

Tao W Y, Jiang T P, Zhen Y R. Garbage classification and recognition system based on Faster R-CNN algorithm [J]. Network Security Technology & Application, 2020,(3):45-47.

[63] 秦斌斌,何 級.基于卷積神經(jīng)網(wǎng)絡(luò)的垃圾分類研究[J]. 無線通信技術(shù), 2019,28(3):51-56.

Qin B B, He J. Classification of garbage based on convolutional neural network [J]. Wireless Communication Technology, 2019,28 (3):51-56.

[64] 彭昕昀,李嘉樂,李 婉,等.基于SSD算法的垃圾識別分類研究[J]. 韶關(guān)學(xué)院學(xué)報, 2019,40(6):15-20.

Peng X Y, Li J L, Li W, et al. Research on garbage identification and classification based on SSD algorithm [J]. Journal of Shaoguan University, 2019,40(6):15-20.

[65] Wang Z, Peng B, Huang Y, et al. Classification for plastic bottles recycling based on image recognition [J]. Waste Management, 2019,88:170-181.

[66] 吳開興,范亭亭,李麗宏,等.基于FPCA和PSOSVM回收塑料瓶分類[J]. 計算機(jī)工程與設(shè)計, 2018,39(11):3555-3558.

Wu K X, Fan T T, Li L H, et al. Classification of recycled plastic bottles based on FPCA and PSOSVM [J]. Computer Engineering and Design, 2018,39(11):3555-3558.

[67] 陳高泉.排水管道超聲波成像檢測系統(tǒng)研究與設(shè)計[D]. 沈陽:沈陽工業(yè)大學(xué), 2005.

Chen G Q. Researching and designing of drainage pipe ultrasonic imaging testing [D]. Shenyang: Shenyang University of Technology, 2005.

[68] Sanaee S A, Bakker M. Ultrasound for monitoring and quality inspection in MDS plastics recycling [A]//Turning waste into ideas [C]. Lisbon, Portugal: ISWA/APESB2009, 2009:1-10.

[69] Escrig J, Woolley E, Simeone A, et al. Monitoring the cleaning of food fouling in pipes using ultrasonic measurements and machine learning [J]. Food Control, 2020,116:107309.

[70] 劉 強(qiáng),陳福蘭.基于倒譜與BP網(wǎng)絡(luò)的船舶生活垃圾分類方法研究[J]. 南通航運(yùn)職業(yè)技術(shù)學(xué)院學(xué)報, 2016,15(1):34-38.

Liu Q, Chen F L. Ultrasound for monitoring and quality inspection in MDS plastics recycling [J]. Journal of Nantong Vocational & Technical Shipping College, 2016,15(1):34-38.

[71] Lu G, Wang Y, Yang H, et al. One-dimensional convolutional neural networks for acoustic waste sorting [J]. Journal of Cleaner Production, 2020,271:122393.

[72] Liu K, Tian D, Li C, et al. A review of laser-induced breakdown spectroscopy for plastic analysis [J]. TrAC Trends in Analytical Chemistry, 2019,110:327-334.

[73] 陳玲玲.基于拉曼光譜的塑料檢測技術(shù)與識別算法研究[D]. 杭州:中國計量大學(xué), 2018.

Chen L L. Study on detection method and recognition algorithm of plastics based on raman spectroscopy [D].Hangzhou: China Jiliang University, 2018.

[74] Stefas D, Gyftokostas N, Bellou E, et al. Laser-induced breakdown spectroscopy assisted by machine learning for plastics/polymers identification [J]. Atoms, 2019,7(3):79.

[75] Anzano J, Bonilla B, Montull-Ibor B, et al. Plastic identification and comparison by multivariate techniques with laser-induced breakdown spectroscopy [J]. Journal of Applied Polymer Science, 2011,121(5): 2710-2716.

[76] Grégoire S, Boudinet M, Pelascini F, et al. Laser-induced breakdown spectroscopy for polymer identification [J]. Analytical and Bioanalytical Chemistry. 2011,400(10):3331-3340.

[77] Godoi Q, Leme F O, Trevizan L C, et al. Laser-induced breakdown spectroscopy and chemometrics for classification of toys relying on toxic elements [J]. Spectrochimica Acta Part B: Atomic Spectroscopy, 2011,66(2):138-143.

[78] Tao J, Liang R, Li J, et al. Fast characterization of biomass and waste by infrared spectra and machine learning models [J]. Journal of Hazardous Materials, 2020,387:121723.

[79] Yu Y, Guo L B, Hao Z Q, et al. Accuracy improvement on polymer identification using laser-induced breakdown spectroscopy with adjusting spectral weightings [J]. Optics Express, 2014,22(4):3895.

[80] Liu C, Gu J. Discriminative illumination: Per-pixel classification of raw materials based on optimal projections of spectral BRDF [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2014, 36(1):86-98.

[81] Roh S, Park S, Oh S, et al. Development of intelligent sorting system realized with the aid of laser-induced breakdown spectroscopy and hybrid preprocessing algorithm-based radial basis function neural networks for recycling black plastic wastes [J]. Journal of Material Cycles and Waste Management, 2018,20(4):1934-1949.

[82] Shameem K M M, Choudhari K S, Bankapur A, et al. A hybrid LIBS-Raman system combined with chemometrics: an efficient tool for plastic identification and sorting [J]. Analytical and Bioanalytical Chemistry, 2017,409(13):3299-3308.

[83] 劉紅莎.基于近紅外光譜的廢混合塑料識別研究[D]. 天津:天津大學(xué), 2013.

Liu H S. Study on identification of mixed plastic wastes based on near infrared spectrum [D]. Tianjin: Tianjin University, 2013.

[84] 孫倩倩.激光探針技術(shù)塑料分類算法的研究[D]. 武漢:華中科技大學(xué), 2016.

Sun Q Q. Research on plastics classification algorithms in laser-induced breakdown spectroscopy [D]. Wuhan: Huazhong University of Science and Technology, 2016.

[85] 賀彥瑞.基于LIBS光譜數(shù)據(jù)的定性與定量分析方法研究[D]. 西安:西北大學(xué), 2015.

He Y D. Qualitative and quantitative analysis based on LIBS spectral data [D]. Xi 'an: Northwest University, 2015.

[86] Gruber F, Gr?hlert W, Wollmann P, et al. Classification of black plastics waste using fluorescence imaging and machine learning [J]. Recycling, 2019,4(4):40.

[87] 孫倩倩,杜 敏,郭連波,等.塑料激光誘導(dǎo)擊穿光譜技術(shù)快速分類應(yīng)用研究[J]. 光譜學(xué)與光譜分析, 2017,37(7):2205-2209.

Sun Q Q, Du M, Guo L B, et al. Fast identification of plastics with laser-induced breakdown spectroscopy [J]. Spectroscopy and Spectral Analysis. 2017,37(7):2205-2209.

[88] 于 洋,郝中騏,李常茂,等.支持向量機(jī)算法在激光誘導(dǎo)擊穿光譜技術(shù)塑料識別中的應(yīng)用研究[J]. 物理學(xué)報, 2013,62(21):290-296.

Yu Y, Hao Z Q, Li C M, et al. Research on application of support vector machine algorithm in plastic recognition by laser-induced breakdown spectroscopy [J]. Acta Physica Sinica, 2013,62(21):290- 296.

[89] Sattmann R, M?nch I, Krause H, et al. Laser-Induced Breakdown Spectroscopy for Polymer Identification [J]. Applied spectroscopy, 1998,52(3):456-461.

[90] Goode S R, Morgan S L, Hoskins R, et al. Identifying alloys by laser-induced breakdown spectroscopy with a time-resolved high resolution echelle spectrometer [J]. Journal of Analytical Atomic Spectrometry, 2000,15(9):1133-1138.

[91] 宋海聲,麻林召,朱恩功,等.基于激光誘導(dǎo)擊穿光譜與GA-BP神經(jīng)網(wǎng)絡(luò)對塑料分類識別[J]. 激光與光電子學(xué)進(jìn)展, 2020,57(15):262- 269.

Song H S, Ma L Z, Zhu E G, et al. Plastic classification and recognition by laser-induced breakdown spectroscopy and GA-BP neural network [J]. Laser & Optoelectronics Progress, 2020,57(15): 262-269.

[92] 王茜蒨,黃志文,劉 凱,等.基于主成分分析和人工神經(jīng)網(wǎng)絡(luò)的激光誘導(dǎo)擊穿光譜塑料分類識別方法研究[J]. 光譜學(xué)與光譜分析, 2012,32(12):3179-3182.

Wang Q Q, Huang Z W, Liu K, et.al. Classification of plastics with laser-induced breakdown spectroscopy based on principal component analysis and artificial neural network model [J]. Spectroscopy and Spectral Analysis, 2012,32(12):3179-3182.

[93] 王 翔,趙南京,殷高方,等.基于反向傳播神經(jīng)網(wǎng)絡(luò)的激光誘導(dǎo)熒光光譜塑料分類識別方法研究[J]. 光譜學(xué)與光譜分析, 2019,39(10): 3136-3141.

Wang X, Zhao N J, Yin N F, et al. Classification and identification of plastic with laser-induced fluorescence spectroscopy based on back propagation neural network model [J]. Spectroscopy and Spectral Analysis, 2019,39(10):3136-3141.

[94] Küter A, Reible S, Geibig T, et al. THz imaging for recycling of black plastics [J]. tm-Technisches Messen, 2018,85(3):191-201.

[95] Lasheras R J, Bello-Gálvez C, Anzano J. Identification of polymers by libs using methods of correlation and normalized coordinates [J]. Polymer Testing. 2010,29(8):1057-1064.

[96] Anzano J, Casanova M, Bermúdez M, et al. Rapid characterization of plastics using laser-induced plasma spectroscopy (LIPS) [J]. Polymer Testing, 2006,25(5):623-627.

[97] 英國真尚有.芬蘭實(shí)現(xiàn)機(jī)器人揀垃圾:人工智能分揀系統(tǒng)實(shí)現(xiàn)有效分揀率達(dá)98% [Z]. http://www.51sensors.com/content/272.html. 2017-06-13/2021-09-27.

GROUP LTD. Finland to achieve robot garbage sorting: artificial intelligence sorting system to achieve an effective sorting rate of 98% [Z]. http://www.51sensors.com/content/272.html. 2017-06-13/2021- 09-27.

[98] MIT News. Robots that can sort recycling [Z]. https://news.mit. edu/2019/mit-robots-can-sort-recycling-0416. 2019-04-16/2020-11- 08.

[99] 關(guān)于全面禁止進(jìn)口固體廢物有關(guān)事項的公告2020年第53號[J]. 再生資源與循環(huán)經(jīng)濟(jì), 2020,13(12):8.

Notice on the comprehensive ban on the import of solid waste 2020 No.53 [J]. Recyclable Resources and Circular Economy, 2020, 13(12):8.

Advances in research and application of intelligent municipal solid waste classification technologies.

LIANG Rui1, CHEN Guan-yi1, 2,3, YAN Bei-bei1,4, SUN Yu-nan2, TAO Jun-yu2*

(1.School of Environmental Science and Engineering, Tianjin University, Tianjin 300072, China；2.School of Mechanical Engineering, Tianjin University of Commerce, Tianjin 300134, China；3.School of Science, Tibet University, Lhasa 850012, China；4.Tianjin Key Laboratory of Biomass Wastes Utilization, Tianjin Engineering Research Center of Bio Gas/Oil Technology, Tianjin 300072, China)., 2022,42(1)：227～238

The growing annual disposal volume of municipal solid waste (MSW) is causing serious environmental problem worldwide. Different components in MSW have their own appropriate treatment and utilization techniques, thus effective MSW classification is significantly important. While current classification methods in China is primarily artificial classification, which have a lot of disadvantages such as low efficiency, high cost and low accuracy. These bottlenecks could be excellently solved by intelligent and automatic classification technologies. The recent distribution feature and growing trend of MSW in China’s representative cities were briefly introduced, and the existing intelligent MSW classification technologies in six categories of principles were analyzed. These categories included density, electricity, magnetism, image, acoustic and spectrum. The practical applications of intelligent MSW classification technologies were also introduced. Finally, the threats and opportunities faced with intelligent MSW classification technologies were analyzed.

municipal solid waste (MSW)；intelligent classification；technology advances；pioneering applications；threats and opportunities

X705

A

1000-6923(2022)01-0227-12

梁 蕊(1997-),女,山西忻州人,天津大學(xué)碩士研究生,主要從事固體廢棄物智能分類技術(shù)研究.發(fā)表論文3篇.

2021-05-23

國家重點(diǎn)研發(fā)計劃(2019YFD1100305);國家自然科學(xué)基金資助項目(51878557);天津市自然科學(xué)基金資助項目(19JCJQJC62800)

* 責(zé)任作者, 講師, taojunyu@tjcu.edu.cn