Hyperspectral imaging technology for black plastic identification in circular factories

Black fraction in post-consumer collected plastic ranges from 5 to 30 %, depending on the specific industrial segment, representing a huge unexploited value: e.g. up to 835.000 annual tons of collected black plastics is estimated only for European packaging sector. Despite the evident economical potential, the currently adopted recycling industrial processes are not able to recover and reuse this material virtuously. In fact, the use of conventional optical sorting systems based on Near InfraRed (NIR) spectroscopy, widely used by recyclers, fails the classification of dark coloured polymers because of their absorption properties. This causes poor recycling rate and abuse of landfill, also for materials that are potentially reusable. In this framework, the aim the thesis is to analyse the performance of a material-based characterisation through MidWave InfraRed (MWIR) HyperSpectral Imaging (HSI) coupled with multivariate image analysis. The integration of the analysed technology as on-line control strategies ensures the identification and sorting of black polymers from different waste flows, allowing the improvement of recycling process efficiency and enabling the reuse of recovered polymers, better addressing the new polymeric formulations. Moreover, the proposed approach provides promising results, earning the chance of being a key enabling technology for the transition towards the Circular Economy paradigm, stimulating potential secondary raw materials markets. The work is structured as follows: after a general introduction about plastic waste generation and recycling technologies goals, attention is focused on the experimental equipment set-up, parameters setting and image processing. A customised classification procedure based on supervised algorithms has been developed in Matlab environment, according to a proper selection of training set, and the effectiveness of spectral pre-processing is validated through Principal Component Analysis (PCA). The combination of five pre-processing methods and five classification methods are evaluated and their material recognition performances compared.

La frazione di colore nero all’interno dei rifiuti plastici raccolti varia fra il 5 e il 30 %, a seconda dello specifico segmento industriale di provenienza: ad esempio in Europa si stimano fino a 835.000 tonnellate annue di rifiuti plastici neri derivanti dal settore del packaging. Nonostante l’evidente potenziale economico, i processi industriali attualmente adottati non sono in grado di recuperare e riusare questi materiali in modo virtuoso. Infatti, i sistemi ottici tradizionali ampiamente usati dai riciclatori, basati sulla spettroscopia nel vicino infrarosso, non sono in grado di classificare polimeri con pigmenti neri, che presentano elevate proprietà di assorbanza. Ciò causa uno scarso tasso di riciclo e un abuso dello smaltimento in discarica, anche per materiali potenzialmente riutilizzabili. In questo contesto, lo scopo della tesi è di analizzare le performance della caratterizzazione del materiale attraverso imaging iperspettrale nel medio infrarosso, combinata con analisi multivariata di immagini. L’impiego della tecnologia analizzata assicura l’identificazione e la separazione on-line di polimeri neri provenienti da diversi settori industriali, consentendo l’aumento dell’efficienza dei processi di riciclo e abilitando il riuso delle plastiche recuperate. Inoltre il processo proposto fornisce risultati promettenti e si configura come una tecnologia abilitante per la transizione verso il paradigma di economia circolare, stimolando il mercato delle materie prime secondarie. Il lavoro è strutturato come segue: dopo un’introduzione sui quantitativi di rifiuti plastici generati e sulle relative tecnologie di riciclo, le attività sono state focalizzate sul set-up del sistema sperimentale, settaggio dei parametri e processamento delle immagini. Una procedura di classificazione ad hoc, basata su algoritmi supervisionati, è stata sviluppata in codice Matlab. A seguito della selezione di un training set, l’efficienza del pre-processing è stata validata tramite un’analisi in componenti principali. La combinazione di diversi metodi di pre-processing e classificazione sono stati analizzati al fine di valutare la loro efficienza di riconoscimento.