Hyperspectral Plastic Waste Dataset (Annotated)

该数据集提供高分辨率、标注的高光谱成像数据，旨在推动自动化分类和分选消费后塑料废物。它专注于四种主要热塑性塑料类别：聚对苯二甲酸乙二醇酯（PET）、聚丙烯（PP）、高密度聚乙烯（HDPE）和聚苯乙烯（PS）。数据集完全标注，可作为开发机器学习和计算机视觉算法的稳健基准，以提高塑料回收效率。

原始信息汇总

数据集概述

该数据集为高光谱成像标注数据集，专注于消费后热塑性塑料的自动分选与分类，涵盖 PET、PP、HDPE、PS 四种常见塑料类别。

核心信息

项目	内容
数据集来源	印度理工学院帕特纳分校（IIT Patna）博士研究项目
数据类型	高光谱成像（HSI）数据，已完全标注
样本规模	共10次高光谱扫描（scan0001 至 scan0010），每次扫描包含20个聚合物样本（每类各5个），总计200个标注样本
文件格式	.bil（高光谱图像数据）、.hdr（头文件元数据）、1hotcode.csv（标注标签）
标签格式	独热编码（One-hot encoding），CSV文件包含200行×4列，对应PET、PP、HDPE、PS四类
应用场景	作为机器学习与计算机视觉算法的基准数据集，用于提高塑料回收效率

数据集结构

• 高光谱图像数据：.bil + .hdr 文件对（每个扫描对应一个）
• 标注文件：1hotcode.csv，每行代表一个样本，列为四类塑料的独热编码

标签说明（1hotcode.csv 示例）

PET	PP	HDPE	PS
1	0	0	0
0	1	0	0
0	0	1	0
0	0	0	1

• 值为 1 表示样本属于该聚合物类别。

使用方式（MATLAB）

matlab hcube = hypercube(scan0001.hdr); labels = readmatrix(1hotcode.csv);

相关论文

Singh, M.K., Hait, S., & Thakur, A. (2024). Hyperspectral imaging-based classification of post-consumer thermoplastics for plastics recycling using artificial neural network. Process Safety and Environmental Protection. DOI: https://doi.org/10.1016/j.psep.2023.09.052

作者信息

• Mukesh Kumar Singh
• Atul Thakur
• 机构：印度理工学院帕特纳分校（IIT Patna）

许可证

MIT License

搜集汇总

数据集介绍

构建方式

该数据集的构建源于印度理工学院巴特那分校的博士研究，旨在提升塑料回收自动化分拣的效率。数据采集使用了高光谱成像技术，聚焦于四种常见热塑性塑料：聚对苯二甲酸乙二醇酯（PET）、聚丙烯（PP）、高密度聚乙烯（HDPE）和聚苯乙烯（PS）。数据集包含10次高光谱扫描（scan0001至scan0010），每次扫描涵盖20个聚合物样本，总计200个标注样本。每个样本均通过.bil和.hdr文件存储高光谱图像数据及元数据，并配有一个1hotcode.csv文件，以独热编码形式记录每个样本的类别标签，确保标注的精确性与机器学习任务的兼容性。

使用方法

使用该数据集时，研究者可在MATLAB环境中通过hypercube函数直接读取高光谱图像数据，例如hcube = hypercube('scan0001.hdr')即可加载扫描图像。类别标签则通过readmatrix函数导入1hotcode.csv文件获取。用户可根据自身模型需求，将高光谱数据与对应标签结合，进行特征提取、分类器训练或性能验证。数据集设计支持标准化流程，适合用于对比不同算法在塑料废弃物识别任务上的表现，也为从事循环经济与智能分拣领域的学者提供了便捷的实验平台。

背景与挑战

背景概述

高光谱成像技术在废物管理领域展现出巨大潜力，能够通过光谱特征精确识别不同塑料种类，助力提升回收效率。该高光谱塑料废物数据集由印度理工学院巴特那分校（IIT Patna）的Mukesh Kumar Singh和Atul Thakur于博士研究期间创建，并于2024年正式发布。核心研究问题聚焦于利用高光谱成像和人工神经网络，对消费后的四种主要热塑性塑料——PET、PP、HDPE和PS——进行自动化分类。数据集包含10次扫描，共200个标注样本，为相关机器学习算法提供了标准化基准，推动了塑料回收领域的技术进步。

当前挑战

该数据集所解决的领域挑战在于塑料废物回收中的高效分类难题，传统方法受限于材料污染和物理特性相似性，难以准确区分不同聚合物种类。构建过程中面临的挑战包括：高光谱数据的高维特性导致处理与分析复杂度大，需设计鲁棒的算法以提取关键光谱特征；此外，确保样本的真实性与多样性，并精确标注以消除标签噪声，也是一大难点。这些挑战使数据集成为验证新方法的宝贵资源，同时凸显了跨学科合作的重要性。

常用场景

经典使用场景

该数据集的高光谱成像数据涵盖了PET、PP、HDPE和PS四种常见热塑性塑料，每一扫描样本均附有精确的逐像素光谱信息与独热编码标签，为基于光谱特征的聚合物分类任务提供了标准化的基准。研究者可借助该数据集训练深度学习或传统机器学习模型，通过分析不同塑料在近红外波段的吸收与反射差异，实现高精度材质识别，有效推动消费后塑料废弃物自动化分拣技术的发展。

解决学术问题

在固体废弃物管理与资源回收领域，传统依赖近红外光谱的塑料分类方法常受限于光谱分辨率不足与数据标注缺失，难以区分同类聚合物中的不同种类。该数据集通过提供高分辨率、全面标注的高光谱影像，填补了标准化塑料光谱基准数据的空白，解决了多类别热塑性塑料精细分类的学术难题。其发布为开发鲁棒的分类算法提供了可复现的评估平台，显著提升了废弃物分拣系统的科学严谨性。

实际应用

该数据集的核心应用在于优化塑料回收产线的自动化分拣流程。通过部署基于该数据训练的分类模型，回收设备能实时识别传送带上混杂的PET瓶、PP容器、HDPE包装及PS泡沫，精准引导机械臂或气流分选装置进行物料分离。此举不仅降低了人工分拣成本与误判率，还提高了再生塑料的纯度等级，从而增强回收材料的经济价值，推动循环经济体系的闭环构建。

数据集最近研究

最新研究方向

该数据集聚焦于利用高光谱成像技术对消费后热塑性塑料进行精准分类与自动分选，为塑料回收领域提供了标注丰富的高分辨率影像基准。当前前沿研究方向包括基于人工神经网络的高光谱数据解译，以及将深度学习模型与光谱特征融合以提升四种主要塑料（PET、PP、HDPE、PS）的识别精度。这一工作紧密呼应全球塑料污染治理与循环经济的热点需求，通过优化废物分拣效率，显著降低回收过程中的交叉污染，对推动环境可持续发展与资源高效再利用具有重要现实意义。