4.4. プラスチックの識別#
4.4.1. 中赤外分光測定#
4000 cm-1から400 cm-1の波数範囲で動作する中赤外（Mid-IR）分光法は、さまざまな種類のプラスチックを識別し分類するためのゴールドスタンダードです。中赤外光がプラスチックサンプルに当たると、ポリマー鎖内の化学結合（C-H、C=O、C-C結合など）が、特定の特性周波数でエネルギーを吸収します。この吸収されたエネルギーにより、結合が振動します（伸縮、屈曲、揺れなど）。あらゆる種類のプラスチック（例：ポリエチレン、ポリプロピレン、PET）は、これらの化学結合の独自の組み合わせと配置を持っているため、明確な吸収ピークのパターンを生成します。このパターンは、赤外吸収スペクトルまたは分子の指紋と呼ばれます。
プラスチック識別のための測定セットアップは、図 4.10（左パネル）に示されています。
中赤外光源（上部）がサンプルを照らします。透過したIR光は、FTIR分光器によって直接収集されます。
吸光度スペクトルは透過ジオメトリで収集されます。つまり、薄いプラスチックフィルムがビーム内に直接配置されます。
吸光度は、節 2.1.4.1に概説されている手順を使用して計算されました。
平均化なしの単一のFTIRスキャンが取得され、その結果、サイクル時間は約200 msになりました。
3種類の家庭用プラスチックサンプルが使用されました：ポリスチレン（PS）、ポリエチレン（PE）、およびポリプロピレン（PP）
結果として得られたSVM分類モデルは、図 4.10（右パネル）に表示されています。
関心のあるスペクトル領域は、800 cm-1から2000 cm-1の間の指紋領域に切り取られました。
注釈
切り取りは主に、検出器に到達する光がほとんどない2900 cm-1付近の高吸収C-H伸縮領域を除去するために行われました。これにより、非常に高く変動する吸光度が生じ、適切なデータスケーリングを妨げます。指紋領域にはプラスチックサンプルを区別するための関連情報が含まれていることに注意することが重要です。対照的に、高エネルギーC-H伸縮領域はすべての有機ポリマーに共通であるため、分類にはほとんど役立ちません。
図 4.10の混同行列は、3つの異なる種類のプラスチックを区別できる分類器が正常にトレーニングされたことを示しています。
図 4.10 Plastic Classification by Mid-IR Spectroscopy#
図 4.11は、TII Spectrometryのモニタリングビューを使用したリアルタイムのプラスチック識別のスナップショットを表示しています。ここでは、スペクトルを継続的に取得しながら、プラスチックサンプルが中赤外光ビームに挿入されました。分類器の精度を検証するために、サンプルはトレーニングサンプルとは異なるが、既知の組成のものでした。
サンプルを十分な光が透過できる限り、精度は一般的に優れていました。透過セットアップは厚いサンプルでは機能しません。
SNVスケーリングは、全体の強度を標準化し、ベースラインの曲率を除去するのに役立ちます。したがって、SVMモデルは、特性ピークの形状と位置、つまり真の化学情報にのみ焦点を合わせるように強制されます。これにより、透過中赤外分光法を使用して、異なる厚さ（したがって吸光度の差）のサンプルを合理的な範囲内で分類できるモデルが得られます。
3種類のプラスチック間のスペクトルの違いは中赤外で非常に明白です。したがって、分類器の性能が良いことは驚くべきことではありません。
トレーニング中にブランクスペクトルは含まれていませんでした。これが、図 4.11のブランクスペクトルがPEとして誤分類された理由です。
このモデルは、より多くのサンプルクラスを組み込むように簡単に拡張できます。
図 4.11 Snapshots of real-time plastic classification using MIR spectroscopy#
4.4.2. 近赤外分光測定#
800 nmから2500 nm（12500 cm-1から4000 cm-1）の近赤外分光法は、特にリサイクルおよび選別施設で、迅速、非破壊、高スループットのプラスチック識別に広く使用されています。結合の基本振動を励起する中赤外とは異なり、近赤外光はオーバートーン（基本周波数の倍数）とコンビネーションバンド（2つ以上の基本周波数の和または差）を励起します。プラスチックサンプルの場合、C-H伸縮領域のオーバートーンが主要な信号です（図 4.12）。結果として得られる近赤外スペクトルは、多くの場合、幅が広く、大きく重複しているため、直接的な視覚的解釈が困難です。このため、近赤外分光法は、機械学習ベースのポリマー識別の理想的なショーケースとなっています。
図 4.12 プラスチックサンプルの近赤外（青と赤）スペクトルと中赤外（ピンクとオレンジ）スペクトルの比較。近赤外スペクトルは、X軸に沿って1/2の係数でスケーリングされています。#
測定セットアップは、図 4.13（左）に示されています。中赤外実験と同様に、吸光度スペクトルは透過ジオメトリで収集され、透過した近赤外光はファイバーを使用して分光器に導入されました。露光時間は約1 msで、第2高調波（最初のオーバートーン）でもC-H結合の吸光度が高いため、高品質のスペクトルに十分でした。SVM分類器をトレーニングするために（図 4.13右）、
スペクトルは1000 nmと2000 nmの間で切り取られました
SNVスケーリングが適用されました
ブランクスペクトル（ビーム経路にサンプルなし）がトレーニングセットに含まれ、これは合計でわずか4つのスペクトル（PS、PP、PE、ブランク）で構成されています。
注釈
これは、SVM分類器の堅牢性とパフォーマンスを実証するための（意図的に）最小限のトレーニングセットです。実際のモデルには、より多くのスペクトルが含まれます。
図 4.13 Plastic Classification by Near-IR Spectroscopy#
図 4.14は、トレーニングされたモデルを使用した異なるプラスチックサンプルのリアルタイム分類のスナップショットを表示しています。性能は優れていますが、
一部のサンプル（特にPS）は、近赤外域で高い非特異的吸光度/散乱に苦しみ、その結果、強力な非線形ベースラインが生じます。このベースラインは、分類器を誤解させ、スケーリングを妨げる可能性があります。
透過ジオメトリは、厚いサンプルや着色されたサンプルでは、分類を成功させるのに十分な近赤外光が透過しないため、非常に制限的です。
図 4.14 Snapshots of real-time plastic classification using near-IR spectroscopy#
ベースライン除去前処理ステップを使用すると、非線形ベースラインを除去できます。結果は図 4.15に表示されています。これにより、吸収ピークが強調され、非特異的吸光度や強い散乱が存在する場合でも分類が可能になります。
図 4.15 NIR Classification - Baseline Subtraction#
より現実的な条件下で分類器をベンチマークするために、
分類器は、ベースライン除去後の透過で収集されたスペクトルを使用してトレーニングされました（図 4.13で使用されたのと同じ4つのスペクトル）。
分類器は、VIS-NIRファイバープローブを使用して、プラスチックサンプル表面からの近赤外反射を使用して評価されました（図 4.16左）。
結果は図 4.16（右）に表示されています[1]。ベースライン除去により、SVM分類器は吸収ピークに含まれる化学情報のみに焦点を合わせることができ、収集ジオメトリに依存しない、プラスチック識別のための一般的な適用性を備えたモデルがもたらされます。わずか4つのスペクトルでトレーニングされたにもかかわらず、トレーニングセットとは異なるサンプルから取得されただけでなく、劇的に異なる実験条件下で記録されたスペクトルを使用して分類器を検証することで示されているように、過学習は回避されました。
図 4.16 NIR Classification (Reflection Geometry)#