The continuous growth in global plastic production poses significant challenges, with waste management being a pressing issue. Despite conventional optical sorting systems based on Near InfraRed (NIR) spectroscopy proposing remarkable results at the industrial level, much recycling potential is not yet exploited. Particular emphasis should be placed on the fraction of black plastics; these typically range from 5% to 30% depending on the specific industrial sector, with some exceptions reaching even higher levels. Due to their physical properties, dark polymers absorb NIR radiation, thus hindering their recognition and sorting, resulting in low recycling rates and increased landfill usage. After a general introduction on plastic waste, this thesis explores the potential of MidWave InfraRed (MWIR) HyperSpectral Imaging (HSI) coupled with machine learning algorithms as a viable solution for categorising polymers, particularly black ones. The adoption of the analysed technology as an in-line control strategy allows the identification and sorting of dark polymers from different waste flows, thus improving the quality of recycled material. This paper presents the combination of four main machine learning algorithms, each of them tested in three different configurations. The study also involved investigating the relationships between black plastics and specific additives, as well as evaluating four different dimensional reduction approaches. Compared to alternative classification methods, machine learning ensures significant enhancements in both overall accuracy and computational efficiency. In light of these considerations, these findings affirm MWIR HSI as a potential enabling technology for the transition toward a Circular Economy, capable of improving the efficiency and effectiveness of waste management processes, even with the presence of black plastics within waste streams.

La sempre più incessante produzione di plastica a livello mondiale genera importanti problemi, con la gestione dei rifiuti che rappresenta una questione sempre più urgente. Nonostante i sistemi di riconoscimento ottico basati sulla spettroscopia nel vicino infrarosso propongano risultati notevoli a livello industriale, gran parte del potenziale di riciclaggio non è ancora sfruttato. Particolare enfasi dovrebbe essere posta sulla frazione di plastiche nere; queste di solito rappresentano tra il 5% ed il 30% del totale a seconda del settore industriale specifico, con alcune eccezioni che raggiungono anche livelli più alti. A causa delle loro proprietà fisiche, i polimeri scuri assorbono la radiazione nel vicino infrarosso, ostacolando il loro riconoscimento e la loro separazione, riducendo così i loro tassi di riciclaggio e rendendoli più propensi ad uno smaltimento presso le discariche. Dopo una introduzione generale sui rifiuti plastici, questa tesi esplora il potenziale dell'Imaging Iperspettrale operante nel Medio Infrarosso associata ad algoritmi di machine learning come soluzione valida per la categorizzazione dei polimeri, in particolare di quelli neri. L'adozione di tale tecnologia come strategia di controllo in linea consente l'identificazione e la suddivisione delle plastiche scure dai diversi flussi di rifiuti, migliorando così la qualità del materiale riciclato. Questo lavoro presenta la combinazione di quattro algoritmi di machine learning, ciascuno dei quali testato in tre diverse configurazioni. Lo studio ha indagato anche le relazioni tra le plastiche nere e specifici additivi, nonché l’adozione di quattro diversi approcci di riduzione dimensionale del dataset preso in esame. Rispetto ai metodi di classificazione alternativi, le tecniche testate garantiscono notevoli miglioramenti sia in termini di accuratezza che di tempo di calcolo. Alla luce di queste considerazioni, il presente lavoro configura l’imaging iperspettrale operante nel medio infrarosso come potenziale catalizzatore per la transizione verso un'Economia Circolare, in grado di migliorare l'efficienza ed efficacia dei processi di gestione dei rifiuti, anche in presenza di plastiche nere.

Middle wave infrared hyperspectral imaging for the identification of black plastics and their classification through machine learning

PAPETTI, MARCO
2022/2023

Abstract

The continuous growth in global plastic production poses significant challenges, with waste management being a pressing issue. Despite conventional optical sorting systems based on Near InfraRed (NIR) spectroscopy proposing remarkable results at the industrial level, much recycling potential is not yet exploited. Particular emphasis should be placed on the fraction of black plastics; these typically range from 5% to 30% depending on the specific industrial sector, with some exceptions reaching even higher levels. Due to their physical properties, dark polymers absorb NIR radiation, thus hindering their recognition and sorting, resulting in low recycling rates and increased landfill usage. After a general introduction on plastic waste, this thesis explores the potential of MidWave InfraRed (MWIR) HyperSpectral Imaging (HSI) coupled with machine learning algorithms as a viable solution for categorising polymers, particularly black ones. The adoption of the analysed technology as an in-line control strategy allows the identification and sorting of dark polymers from different waste flows, thus improving the quality of recycled material. This paper presents the combination of four main machine learning algorithms, each of them tested in three different configurations. The study also involved investigating the relationships between black plastics and specific additives, as well as evaluating four different dimensional reduction approaches. Compared to alternative classification methods, machine learning ensures significant enhancements in both overall accuracy and computational efficiency. In light of these considerations, these findings affirm MWIR HSI as a potential enabling technology for the transition toward a Circular Economy, capable of improving the efficiency and effectiveness of waste management processes, even with the presence of black plastics within waste streams.
DIANI, MARCO
ING - Scuola di Ingegneria Industriale e dell'Informazione
9-apr-2024
2022/2023
La sempre più incessante produzione di plastica a livello mondiale genera importanti problemi, con la gestione dei rifiuti che rappresenta una questione sempre più urgente. Nonostante i sistemi di riconoscimento ottico basati sulla spettroscopia nel vicino infrarosso propongano risultati notevoli a livello industriale, gran parte del potenziale di riciclaggio non è ancora sfruttato. Particolare enfasi dovrebbe essere posta sulla frazione di plastiche nere; queste di solito rappresentano tra il 5% ed il 30% del totale a seconda del settore industriale specifico, con alcune eccezioni che raggiungono anche livelli più alti. A causa delle loro proprietà fisiche, i polimeri scuri assorbono la radiazione nel vicino infrarosso, ostacolando il loro riconoscimento e la loro separazione, riducendo così i loro tassi di riciclaggio e rendendoli più propensi ad uno smaltimento presso le discariche. Dopo una introduzione generale sui rifiuti plastici, questa tesi esplora il potenziale dell'Imaging Iperspettrale operante nel Medio Infrarosso associata ad algoritmi di machine learning come soluzione valida per la categorizzazione dei polimeri, in particolare di quelli neri. L'adozione di tale tecnologia come strategia di controllo in linea consente l'identificazione e la suddivisione delle plastiche scure dai diversi flussi di rifiuti, migliorando così la qualità del materiale riciclato. Questo lavoro presenta la combinazione di quattro algoritmi di machine learning, ciascuno dei quali testato in tre diverse configurazioni. Lo studio ha indagato anche le relazioni tra le plastiche nere e specifici additivi, nonché l’adozione di quattro diversi approcci di riduzione dimensionale del dataset preso in esame. Rispetto ai metodi di classificazione alternativi, le tecniche testate garantiscono notevoli miglioramenti sia in termini di accuratezza che di tempo di calcolo. Alla luce di queste considerazioni, il presente lavoro configura l’imaging iperspettrale operante nel medio infrarosso come potenziale catalizzatore per la transizione verso un'Economia Circolare, in grado di migliorare l'efficienza ed efficacia dei processi di gestione dei rifiuti, anche in presenza di plastiche nere.
File allegati
File Dimensione Formato  
2024_04_Papetti.pdf

solo utenti autorizzati a partire dal 07/03/2027

Descrizione: Testo tesi
Dimensione 6.67 MB
Formato Adobe PDF
6.67 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/217674