黃宗鈺、陳冠文 / 明志科技大學
隨著全球資訊技術的快速發展，人工智慧(Artificial Intelligence; AI)與機器學習(Machine Learning; ML)由早期以單一神經元或感知器與規則式推論為基礎之模型，發展至統計學習方法為主，並進一步邁向深度學習技術，使模型能自動從資料中擷取特徵，有效提升分析能力。近年來，各種大型語言模型相繼出現，顯示人工智慧已進入具備跨任務學習與高度泛化能力之新階段。在產業應用方面，國外已發展出結合人工智慧、多感測技術與資料分析之智慧分選系統，具備高度整合與自動化能力；相較之下，國內雖具備成熟之自動化分選設備，但人工智慧導入程度仍不均，於系統整合與應用深度方面尚有發展空間。因此，我們以電器廢棄塑膠為例，展現出人工智慧應用於產業界的簡易性以及實用性。整體而言，人工智慧結合光譜技術已成為材料分類與智慧回收領域之重要發展方向。
【內文精選】
應用卷積神經網路於廢棄塑膠分類
為了建立一個可供國內業界參考的簡易深度機器學習範本，我們利用取自於國內回收場主要來源為報廢電器外殼的電器廢棄塑膠樣品，進行智慧分選測試。而這些廢棄塑膠樣品包括了丙烯腈-丁二烯-苯乙烯、丙烯腈-丁二烯-苯乙烯/聚碳酸酯、聚甲基丙烯酸甲酯、聚丙烯及聚苯乙烯等類型。為了有效提取光譜數據中的非線性特徵，我們利用MATLAB構建一套卷積神經網路模型。相較於傳統機器學習方法，卷積神經網路能透過滑動窗口機制，自動學習光譜訊號中的局部結構與強度變化特徵建立之模型架構。如圖二所示，其主要設計可分為以下三個部分：
圖二、卷積神經網路架構
在模型設計上，首先透過三組連續的卷積區塊進行特徵提取，每一區塊皆由卷積層(Convolutional Layer)、批次歸一化(Batch Normalization)與線性整流單元(Rectified Linear Unit; ReLU)(23)所組成。第一層卷積區塊採用32個卷積核、卷積核大小為3×3，並設定以同尺寸填充，以保留輸入光譜長度，主要用於擷取光譜中的基本局部譜線特徵。後續第二與第三卷積區塊則將濾波器數量提升至64個，以學習更高階且複雜的光譜特徵組合。
特徵壓縮採用全域平均池化層(Global Average Pooling Layer)取代傳統的平坦層(Flatten Layer)，將各特徵圖壓縮為單一數值，大幅降低模型參數數量。此外於模型中加入隨機失活(Dropout)，並設定丟棄率為0.2，在訓練過程中隨機忽略部分神經元連接，以進一步提升模型的泛化能力。最後分類輸出，模型透過一層全連接層整合前述所提取之特徵，其輸出節點數對應五種塑膠類別丙烯腈-丁二烯-苯乙烯(ABS)、丙烯腈-丁二烯-苯乙烯/聚碳酸酯(ABS&PC)、聚甲基丙烯酸甲酯(PMMA)、聚丙烯(PP)及聚苯乙烯(PS)，並經由Softmax函數轉換為各類別機率分佈，最終由分類層輸出預測結果。在模型訓練設定方面，本研究採用Adam最佳化器進行權重更新，初始學習率設為0.001，並搭配分段式學習率衰減策略，以提升訓練後期之穩定性與收斂效果 ---以上為部分節錄資料，完整內容請見下方附檔。
★本文節錄自《工業材料雜誌》475期，更多資料請見下方附檔。