塑料制品的广泛应用带来了资源回收和环境保护的挑战，准确识别和分类不同塑料材质是实现高效回收和资源化利用的关键。传统的塑料识别方法，如密度浮选法和燃烧法，存在效率低、准确性差、环境污染等问题，难以满足现代工业的需求。红外光谱技术作为一种快速、无损的分析方法，近年来在材料识别领域展现出巨大潜力。其基于分子振动和转动能级跃迁的原理，能够提供丰富的分子结构信息，特别适用于高分子材料的分析。然而，面对复杂混合塑料的识别需求，现有技术仍存在一定局限性，亟须进一步优化和创新。
1 红外光谱仪与塑料材质识别的基本原理
1.1 红外光谱仪的工作原理
红外光谱仪是一种基于分子振动和转动能级跃迁的分析仪器，其核心原理是通过检测样品对红外光的吸收特性来分析材料的分子结构。当红外光照射到样品时，样品分子会吸收特定波长的光，引起分子振动能级的变化。这些振动模式包括伸缩振动、弯曲振动等，每种振动模式对应特定的能量吸收，在红外光谱上形成特征吸收峰。通过检测透射或反射光的强度变化，可以获得样品的红外吸收光谱，进而分析其化学组成和结构。
傅里叶变换红外光谱仪(FTIR)是目前应用最广的一种，其工作原理如图1所示。光源发出的红外光经过分束器分为两束，一束反射到定镜，另一束透射到动镜。两束光分别经定镜和动镜反射后重新组合，形成干涉光。动镜的移动改变了光程差，从而产生干涉图[1]。干涉光经过样品后，被检测器接收并转换为电信号，再通过傅里叶变换处理，最终得到红外光谱图。
1.2 塑料材质的红外光谱特征
不同塑料材质由于其化学结构和分子组成的不同，在红外光谱上表现出独特的吸收特征。这些特征吸收峰的位置、强度和形状可以用于塑料材质的识别和分类。如聚乙烯(PE)在720 cm-1和1 470 cm-1处有特征吸收峰，分别对应CH2的摇摆振动和弯曲振动；聚丙烯(PP)在1 375 cm-1和1 450 cm-1处有特征峰，分别对应CH3的对称弯曲振动和CH2的弯曲振动；聚氯乙烯(PVC)在615 cm-1和690 cm-1处有特征吸收，对应C—Cl的伸缩振动。
图1傅里叶红外光谱仪原理图
塑料材质的红外光谱特征不仅取决于其化学结构，还受到分子量、结晶度、添加剂等因素的影响。例如，高密度聚乙烯(HDPE)和低密度聚乙烯(LDPE)，虽然化学结构相似，但由于结晶度不同，其红外光谱在1 400 cm-1～1300 cm-1区域存在明显差异。HDPE由于结晶度高，其CH2的弯曲振动峰较为尖锐，而LDPE的结晶度较低，其CH2的弯曲振动峰较为宽缓。
此外，塑料中常用的增塑剂、稳定剂等添加剂也会在红外光谱上产生特征吸收。如邻苯二甲酸酯类增塑剂在1 720 cm-1处有C=O的伸缩振动峰，在1 600 cm-1和1 580 cm-1处有苯环的C=C伸缩振动峰[2]。这些添加剂的特征吸收峰为塑料材质的精确识别带来了挑战。
2 红外光谱仪在塑料材质识别中的应用方法
2.1 塑料材质识别的方法与流程
基于红外光谱仪的塑料材质识别是一个系统化的过程，主要包括样品制备、光谱采集、数据预处理、特征提取和模式识别等步骤。样品制备是确保实验结果准确性的关键环节。代表性样品的制备需要保证样品表面平整、清洁，避免因表面粗糙或污染导致光谱失真。对于固体样品，通常采用压片法或薄膜法制备；对于液体样品，则需使用液体池进行测试。
光谱采集是塑料材质识别的核心步骤。红外光谱仪通常采用透射模式或衰减全反射(attenuated total refection,ATR)模式进行数据采集。透射模式适用于透明或半透明样品，而ATR模式则适用于不透明或表面粗糙的样品。在采集过程中，需要设置合适的光谱范围和分辨率，以确保获得高质量的光谱数据[3]。光谱范围通常设置为4 000 cm-1～400 cm-1，分辨率为4 cm-1，以满足大多数塑料材质的分析需求。对采集到的原始光谱数据需要进行一系列预处理操作，以消除噪声和仪器漂移的影响。
2.2 实验设计与数据采集
本文选取了聚乙烯(PE)、聚丙烯(PP)、聚氯乙烯(PVC)、聚对苯二甲酸乙二醇酯(PET)、聚苯乙烯(PS)等常见单一材质塑料作为研究对象。每种塑料准备10个样品，包括纯料和含有添加剂的样品。在样品制备过程中，确保每个样品的表面平整、清洁，以避免光谱失真。对于含有添加剂的样品，添加剂的种类和比例按照实际应用中的常见配方进行设置。
使用傅里叶变换红外光谱仪(FTIR)采集光谱数据，每个样品采集3次光谱，取平均值作为最终数据，以提高数据的可靠性。光谱采集在恒温恒湿实验室中进行，以减少环境因素的影响。为了模拟实际应用场景，还制备了混合塑料样品，包括二元和三元混合物[4]。混合比例按照常见塑料制品中的比例设置，如PET/PE、PP/PE/PVC等。所有样品在测试前均经过清洗和干燥处理，以确保光谱数据的可靠性。
2.3 数据分析与处理
基线校正是数据预处理的第一步，目的是消除光谱基线的不规则波动。常用的基线校正方法包括自适应迭代重加权惩罚最小二乘法(adaptive iterative reweighted penalized least squares,airPLS)，该方法能够有效处理复杂的基线漂移。平滑处理是预处理的第二步，通过Savitzky-Golay滤波器对光谱数据进行平滑，以降低噪声干扰，同时保留光谱的主要特征。归一化处理是预处理的最后一步，采用标准正态变量变换(standard normal variate transformation,SNV)对光谱数据进行归一化，以消除光程差异带来的影响。
在特征提取阶段，主成分分析(principal component analysis,PCA)和线性判别分析(linear discriminant analysis,LDA)是常用的方法。PCA通过降维技术将高维光谱数据转换为低维特征向量，保留最具区分性的特征信息。LDA则通过最大化类间差异和最小化类内差异，提取最具判别性的特征。对于复杂混合塑料，二维相关光谱分析技术能够增强重叠峰的解析能力，提高识别的准确性。
模式识别是塑料材质识别的关键步骤，常用的方法包括支持向量机(support vector machine,SVM)、人工神经网络(artificial neural network,ANN)和偏最小二乘法(partial least squares,PLS)等。这些算法通过建立光谱特征与塑料类别之间的映射关系，实现自动分类识别。SVM通过寻找最优超平面将不同类别的样本分开，具有较高的分类准确率和泛化能力[5]。ANN通过模拟人脑神经元的连接方式，能够处理复杂的非线性关系。PLS则通过建立光谱数据与类别标签之间的回归模型，实现高效的分类识别。结果采用傅里叶变换红外光谱仪检测所得，分类结果通过光谱图与识别算法显示实验结果如表1所示。研究结果表明，该方法能够有效识别单一和混合塑料材质，为塑料回收和质量控制提供了可靠的技术支持。
3 红外光谱仪在塑料材质识别中的应用案例分析
3.1 混合塑料材质的识别
在实际塑料回收过程中，混合塑料材质的识别是一个复杂且具有挑战性的问题。某回收厂在处理PET/PE混合塑料时，由于两者光谱特征部分重叠，传统方法难以有效区分，导致分拣错误率高达30%。此外，三元混合物如PP/PE/PVC的识别难度更大，准确率仅为70%。
该回收厂面临的主要问题是如何提高混合塑料材质的识别准确率，特别是二元和三元混合物。需要解决的问题包括提高重叠峰的解析能力、优化识别算法，并确保识别过程的高效性和可靠性。
针对上述问题，该回收厂采用了基于红外光谱仪的识别技术，并结合二维相关光谱分析技术。具体步骤如下：(1)样品制备。制备了PET/PE、PP/PE、PP/PE/PVC等混合塑料样品，混合比例按照常见塑料制品中的比例设置。(2)光谱采集。使用傅里叶变换红外光谱仪(FTIR)采集光谱数据。FTIR的光谱范围为4 000 cm-1～400 cm-1，分辨率为4 cm-1。每个样品采集3次光谱，取平均值作为最终数据。(3)数据预处理，采用自适应迭代重加权惩罚最小二乘法(airPLS)进行基线校正，Savitzky-Golay滤波器进行平滑处理，标准正态变量变换(SNV)进行归一化处理。(4)特征提取。采用主成分分析(PCA)和二维相关光谱分析技术对高维光谱数据进行降维和重叠峰解析。(5)模式识别。使用支持向量机(SVM)算法进行模式识别，通过网格搜索和交叉验证优化模型参数。
实验设备使用傅里叶变换红外光谱仪(FTIR)，型号Nicolet iS50，分辨率4 cm-1。软件使用OMNIC Specta软件，用于光谱采集和数据处理。实验在恒温恒湿实验室进行，温度控制在25℃±1℃，湿度控制在50%±5%。
识别的评估标准包括识别准确率、重叠峰解析能力、混合比例对识别准确率的影响。评估的实验数据来源于实验室制备的混合塑料样品，光谱数据由FTIR采集。结果如表2所示。实验结果表明，红外光谱法对混合塑料材质的识别具有较高的准确率，二元混合物的识别准确率达到90%以上，三元混合物的识别准确率约为85%。二维相关光谱分析技术的应用显著提高了混合物的识别能力，特别是在重叠峰的解析方面表现出色。研究还发现，混合比例对识别准确率有一定影响，当某种成分含量低于10%时，识别难度明显增加。这提示在实际应用中，可能需要结合其他分析手段，如热分析或元素分析，以提高低含量成分的检测灵敏度。
3.2 实际应用中的挑战与解决方案
在实际应用中，红外光谱法在塑料材质识别中面临多重挑战。例如，一个挑战是样品表面状态对光谱数据的准确性有显著影响。划痕、污染或表面粗糙可能导致光谱失真，进而影响识别结果。为解决这一问题，优化样品制备工艺是关键。通过精细抛光、清洁处理或使用衰减全反射(ATR)模式，可以有效减少表面状态对光谱的干扰。此外，针对复杂混合物的识别，特别是当成分超过三种时，识别准确率可能显著下降。研究人员需要探索更先进的算法，如深度学习技术和多维光谱分析，以提高对复杂混合物的解析能力。另一个重要挑战是现场快速检测的需求。传统的实验室型红外光谱仪虽然性能优越，但其体积庞大、成本高昂，难以满足现场检测的灵活性和实时性要求[6]。便携式红外光谱仪的发展为解决这一问题提供了新的方向。然而，便携设备在分辨率和灵敏度方面仍存在不足，难以完全替代实验室设备。未来研究应聚焦于微型化、智能化红外光谱仪的开发，通过集成高灵敏度检测器和先进算法，提升便携设备的性能。这些创新将推动红外光谱技术在更广泛的实际应用场景中发挥更大作用。
表1单一塑料材质的识别结果
表2混合塑料材质识别的实验结果
4 结语
红外光谱仪在塑料材质识别中的应用研究不仅为塑料回收和质量控制提供了高效、准确的技术手段，也为资源循环利用和环境保护开辟了新的路径。通过优化光谱采集、数据处理和模式识别算法，该方法在单一和混合塑料材质的识别中展现出显著优势，为工业生产和环境监测领域的自动化、智能化发展奠定了坚实基础。未来，随着便携式红外光谱仪和智能分析技术的不断进步，这一方法可在更广泛的应用场景中发挥重要作用，推动塑料回收行业的转型升级，助力可持续发展目标的实现。