基于超声与可听声波的逆向自动售货机包装废弃物智能分类技术研究

为解决逆向自动售货机(RVMs)依赖昂贵光学传感器(如条形码扫描仪、计算机视觉系统)导致的分类效率低、环境敏感性强等问题，研究人员创新性地提出了一种基于声学传感器的废弃物分类方法。该研究通过发射指数正弦扫频信号(ESS)，结合参数声学阵列(PAA)技术，同步采集废弃物的超声与可听声脉冲响应，并利用机器学习模型实现材料分类，准确率超90%。这一低成本、低计算复杂度的方案为废弃物源头分类提供了新思路。

　　

在当今全球推动循环经济的背景下，包装废弃物的高效回收成为关键环节。然而，现有逆向自动售货机(RVMs)主要依赖条形码扫描和计算机视觉技术，面临条形码损坏、光照条件敏感、计算成本高昂等瓶颈。尤其在经济欠发达地区，昂贵的传感器设备更限制了RVMs的普及。与此同时，传统声学分类方法仅被动记录废弃物碰撞噪声，易受环境干扰，分类稳定性差。

针对这些问题，国外研究团队提出了一种主动声学传感技术。该技术通过参数声学扬声器(PAL)发射宽频带的指数正弦扫频(ESS)信号，利用空气非线性效应产生的参数声学阵列(PAA)现象，同步激发超声(>20 kHz)和可听声波。当声波与废弃物相互作用后，系统通过分析声场扰动特征，结合机器学习算法实现材料分类。研究团队构建了缩比混响室实验系统，采集了塑料、玻璃、金属罐和纸板四类废弃物的超声h_ua
(t)和可听声h_a
(t)脉冲响应，并提取梅尔频率倒谱系数(MFCCs)和伽马通频率倒谱系数(GTCCs)等特征。测试表明，融合双频段数据的深度学习模型分类准确率突破90%，显著优于单一频段分析。

关键技术包括：1) 采用ESS技术同步激发超声(40-100 kHz)与可听声(20-20 kHz)；2) 基于全向参数扬声器(OPL)实现宽频带声场覆盖；3) 在消声室环境中采集标准化脉冲响应；4) 结合传统机器学习(SVM、KNN)与深度学习(CNN)构建分类模型。

超声与可听声脉冲响应
通过对比四类材料的时域波形和频谱图发现，金属罐在超声频段呈现显著的高频谐振峰(>60 kHz)，而纸板则表现出宽频吸收特性。可听声谱图中，玻璃容器特有的窄带共振峰(约4 kHz)成为鉴别特征。

讨论
研究创新性地将PAA效应应用于废弃物分类，首次实现单次测量同时获取材料在超声/可听声频段的声学指纹。相比计算机视觉方案，该系统硬件成本降低80%，且不受光照条件影响。但作者指出，实际部署需解决环境噪声隔离问题，未来可通过自适应滤波技术优化。

结论
该研究证实了主动声学传感技术在RVMs中的应用潜力。通过ESS激励和双频段特征融合，系统在保持高精度的同时显著降低计算复杂度。这一成果为发展中国家推广低成本智能回收设备提供了技术路径，相关方法也可延伸至工业分拣等领域。研究团队建议后续探索三维声场成像技术，以进一步提升对复杂形状废弃物的分类能力。