摘要：我国每年产生废旧纺织品超过2600多万吨,且随着经济的发展呈现逐年增多的趋势,而其再生利用率不足10%。废旧纺织品组分的多样性和结构的复杂性是影响其准确分类、快速回收和高附加值再利用的最大障碍。人工识别分选既费时费力又不准确,而近红外光谱分析技术可对其进行快速无损高效识别分选。在前期探究的最佳测试条件下,利用自主研制的“纤维制品在线近红外高效识别与分选装置”对聚酯、棉、毛、锦纶、真丝、粘胶、腈纶、聚酯/毛、聚酯/棉、聚酯/锦纶、真丝/棉混纺和“特殊类”共计12类1060个废旧纤维织物样本进行在线原始近红外光谱采集。基于采集的样本在线原始NIR谱图,利用卷积神经网络方法,依据输入的样本光谱数据及对应分类标签进行网络训练,建立了12类废旧纺织品在线NIR定性识别模型。对比一维、二维卷积神经网络模型,其二维模型较优,该模型是将901~2500 nm的一维数组归一化后转化为40×40像素的二维灰度图像,再交替进行多次卷积和池化来进行光谱特征的提取、压缩和数据降维。通过模型计算得到每类废旧纺织品样本的类别概率值,取其最大值作为该类织物的最终分类。本模型训练过程设置为500轮,每次取32个样本图像,学习率为0.001。训练后输出预先设定的12类织物标签,所建模型的内部训练准确率可达96.2%。为了验证模型的适用性,用232个未参与建模的织物样品进行预测检验,其识别正确率达96.6%。将该模型导入“纺织品在线主控程序”后,可对建模样本所涵盖的12类织物进行成分识别与自动分选,每个样品的识别和分选时间小于2 s。模型的建立和装置的应用为我国废旧纺织品的回收再利用提供了一种全新的分选技术和装备。