李佳平， 沈國康， 歐耀明， 孟 想， 辛斌杰

(1. 上海工程技術(shù)大學(xué) 服裝學(xué)院， 上海 201620； 2. 浙江中天紡檢測有限公司， 浙江 海寧 314400；3. 浙江萬方安道拓紡織科技有限公司， 浙江 海寧 314400)

隨著科技水平的快速進(jìn)步和紡織新材料的不斷涌現(xiàn)，紡織品檢測顯得極其重要，特別是人們對紡織品的要求越來越高，將更多的注意力聚集在紡織品對人體的危害性[1]上，但以往的紡織品檢測方法大都有局限性，例如測量周期長，對檢驗人員的身體造成傷害，污染環(huán)境等。近年來，利用圖像處理技術(shù)進(jìn)行紡織品檢測逐漸興起，這種技術(shù)不僅可降低人為因素的弊端，有效地檢測紡織品的外觀以及質(zhì)量，還可提高勞動生產(chǎn)率[2]。在圖像處理技術(shù)中，高光譜成像技術(shù)比較高效，盡管在紡織領(lǐng)域的應(yīng)用并不多，但其優(yōu)越高效的檢測方式，不損傷纖維的優(yōu)點，勢必將在紡織行業(yè)有廣闊的應(yīng)用空間。

高光譜成像技術(shù)結(jié)合傳統(tǒng)二維成像和光譜技術(shù)[3]，融合電磁學(xué)、光學(xué)、信號處理、計算機(jī)通信等多學(xué)科在光譜維度上進(jìn)行細(xì)致地分割，采集到的圖像不但信息豐富、量大，并且識別度高，數(shù)據(jù)描述模型也比較多[4]。由于該技術(shù)具有很高的空間分辨率和譜間分辨率，在軍事偵察、地質(zhì)填圖、海洋監(jiān)測、農(nóng)業(yè)監(jiān)測、大氣和環(huán)境監(jiān)測、航天研究等領(lǐng)域得到越來越廣泛的應(yīng)用[5-6]，但是其在紡織行業(yè)的應(yīng)用卻剛剛起步[7-9]，如應(yīng)用于棉花雜質(zhì)的檢測和皮棉表面多類異性纖維的檢測等[10-12]。楊文柱等[13]提出 780～1 800 nm的近紅外波段為異性纖維檢測的最優(yōu)波段；郭俊先等[14]證明高光譜圖像可檢測多類共存的異性纖維；王戈等[15]利用近紅外光譜對竹原纖維、竹粘膠纖維和苧麻纖維進(jìn)行快速鑒別。本文在利用高光譜成像技術(shù)對纖維等進(jìn)行識別的基礎(chǔ)上，嘗試?yán)眠B續(xù)投影算法以及最小二乘支持向量機(jī)對織物層面進(jìn)行識別，在不損傷纖維的情況下，通過相關(guān)織物標(biāo)準(zhǔn)樣品庫的建立、高光譜數(shù)據(jù)的采集、高光譜數(shù)據(jù)預(yù)處理、高光譜特征提取、纖維成分檢測系統(tǒng)的搭建與其校正，試驗檢測所搭建的系統(tǒng)快速鑒別織物的有效性。

1 材料與方法

1.1 儀器設(shè)備與數(shù)據(jù)處理軟件

采用北京卓立漢光儀器有限公司的Gaia Sorter蓋亞高光譜分選儀[16-17]采集圖像。該儀器其核心部件包括均勻光源、光譜相機(jī)、電控移動平臺(或傳送帶)、計算機(jī)及控制軟件等。儀器的光譜范圍為 1 000～2 500 nm，光譜分辨率為10 nm，像元數(shù)為 320像素×256 像素。

采用ENVI Classic 5.3(64-bit)和MatLab R2016b軟件對高光譜圖像數(shù)據(jù)進(jìn)行后續(xù)處理。前者主要用于感興趣區(qū)域的設(shè)定、點和簇像素的平均光譜以及偏差光譜的提取、圖像的一般處理;后者主要用于圖像的一般處理、特征降維、特征提取和模式識別等運算。

1.2 實驗樣本與高光譜圖像的獲取

利用現(xiàn)有的織物樣品庫，篩選出8種常見的純紡織物：棉(C)、滌綸(PET)、羊毛(W)、聚乙烯(PE)、聚氯乙烯(PVC)、錦綸(PA)、亞麻(L)、蠶絲(S)，其中每種紡織材料織物80塊，共計640塊樣品。從每塊織物上裁剪出5 cm×5 cm的布樣作為代表該織物樣品的小樣，最終獲得參與拍照及后續(xù)處理的8種純紡織物的640個織物小樣。

將織物小樣按照種類排列整齊送入高光譜分選儀中進(jìn)行高光譜圖像采集。圖像采集前調(diào)整曝光時間為15 ms，以確保采集得到的圖像清晰、明亮。電動移動平臺設(shè)置推進(jìn)線速度為10 mm/s，避免圖像失真。每次圖像采集前都進(jìn)行標(biāo)準(zhǔn)白板校正，采集過程中光譜掃描10次，再取其平均值待用。最終獲得大小為640 像素×320 像素×256 像素的三維數(shù)據(jù)塊。

1.3 高光譜圖像標(biāo)定

高光譜圖像除包含光譜反射與輻射信息之外，還包含各種對圖像有干擾的噪聲，如傳感器儀器的誤差、大氣散射吸收導(dǎo)致的傳輸效應(yīng)、地形造成的誤差等，這些會讓光譜曲線失真[18]，因此，必須對織物高光譜圖像進(jìn)行校準(zhǔn)。對高光譜圖像進(jìn)行輻射校正、圖像掩膜、圖像濾波之后，才能進(jìn)行后續(xù)的提取感興趣區(qū)域(ROI)[19]：通過輻射校正可消除干擾，得到真實反射率數(shù)據(jù)[20]，由于此次試驗所用織物均為純紡織物，純度較高，且整體平整，選擇平場域法處理圖像；通過掩膜處理，使得處理后的高光譜圖像只保留有效的織物圖像區(qū)域以及反射率為0的黑色背景區(qū)域[21]；通過圖像均值濾波[22]，對圖像進(jìn)行去噪處理[23]。

2 高光譜數(shù)據(jù)處理

經(jīng)過高光譜圖像標(biāo)定后，將采集到的每種純紡織物的80張高光譜圖像中所有織物圖像區(qū)域設(shè)置為感興趣區(qū)域(ROI)，均值濾波后得到每種織物在920～2 528 nm內(nèi)的代表光譜曲線。觀察原始光譜數(shù)據(jù)發(fā)現(xiàn)，曲線在920～1 000 nm和2 400～ 2 528 nm區(qū)間內(nèi)變化趨勢相同，且存在較多噪點，所攜帶的光譜信息較少，所以在利用連續(xù)投影算法對原始光譜數(shù)據(jù)處理前，先篩選掉這2個區(qū)域內(nèi)的波段，將 288個波長的數(shù)據(jù)初步壓縮至250個，如圖1所示。將采集到的每種純紡織物(80個)隨機(jī)分為訓(xùn)練集(60個)和測試集(20個)，以方便后續(xù)特征波長的提取和分類模型的建立。

圖1 波長與反射率的關(guān)系Fig.1 Relationship between wavelength and reflectance.(a)288 wavelengths of C,PET,PE,W; (b)288 wavelengths of PVC,PA,L,S; (c)250 wavelengths of C,PET,PE,W; (d)250 wavelengths of PVC,PA,L,S

2.1 基于連續(xù)投影算法的特征波長提取

采用全部250個波長進(jìn)行訓(xùn)練、篩選時運行數(shù)據(jù)量大，某些范圍內(nèi)的光譜信息量少，與待測織物的構(gòu)成及因素缺乏相關(guān)關(guān)系，因此，進(jìn)一步對數(shù)據(jù)進(jìn)行壓縮、降維必不可少。連續(xù)投影算法在1965年被提出用來解決凸可行性問題，目前已廣泛應(yīng)用于海洋檢測、生物醫(yī)學(xué)成像、森林植被研究、農(nóng)業(yè)生長信息傳遞、大氣輻射監(jiān)控等領(lǐng)域。連續(xù)投影算法可從光譜數(shù)據(jù)中找到包含最低限度的冗余信息的變量組，使波長變量間的共線性去除，提高光譜信噪比，進(jìn)而提高模型預(yù)測能力[24]。設(shè)樣本光譜反射率矩陣為Xn×p，性質(zhì)參數(shù)矢量為y，總體樣本數(shù)為n，全譜波長數(shù)為p。波長的確定分為2個步驟。

以棉織物為例，利用連續(xù)投影算法對棉織物的250個波段進(jìn)行篩選，樣本為驗證集的60個待測織物。均方根誤差值最小時對應(yīng)的波長數(shù)就是光譜變量的最優(yōu)解，由測試集的均方根誤差預(yù)測值確定光譜變量的最優(yōu)解。模型中包含變量數(shù)改變會引起均方根誤差改變，其變化如圖2所示。若取均方根誤差最小值，則為0.426 93，此時變量個數(shù)為7。確定的特征波長共7個，按照重要性排序分別為 1 531.4、1 929.2、2 203.7、1 329.8、1 789.1、762.0、1 654.7 nm，此時數(shù)據(jù)量較最初數(shù)據(jù)減少97.22%。

圖2 均方根誤差和與其對應(yīng)的波長Fig.2 Root mean square error (a) and its corresponding wavelength (b)

表1 連續(xù)投影算法提取的特征波長Tab.1 Characteristic wavelengths extracted by continuous projection algorithm

分別利用連續(xù)投影算法提取8種純紡織物的特征波長，得到的具體數(shù)據(jù)如表1所示?？芍?jīng)過連續(xù)投影算法(SPA)處理之后，原始的288個波段被壓縮至5～8個特征波長，僅占原始數(shù)據(jù)的1.74%～2.43%，刪減了大量冗余信息，節(jié)省了大量的建模時間，且所提取的特征波長所對應(yīng)的預(yù)測均方根誤差均小于0.6，有很強(qiáng)的代表性，誤差小，符合后續(xù)建模要求。

2.2 建立最小二乘法支持向量機(jī)分類器

最小二乘支持向量機(jī)(LS-SVM)是對標(biāo)準(zhǔn)支持向量機(jī)(SVM)的改進(jìn)，其用等式約束代替了SVM中的不等式約束，通過非線性映射函數(shù)φ(x)建立回歸模型，利用拉格朗日算子求解最優(yōu)化問題，對各變量求偏微分。

本文試驗采用徑向基函數(shù)RBF函數(shù)作為核函數(shù)，其原因為：1)RBF能把樣本映射到更高維的空間；2)RBF確定的參數(shù)較少，核函數(shù)參數(shù)的數(shù)量直接影響函數(shù)的復(fù)雜程度。

由此可見，LS-SVM將凸二次規(guī)劃問題轉(zhuǎn)化為求解線性方程，極大地簡化了計算復(fù)雜程度，對存儲空間要求大大降低，也降低了計算成本。

本文基于核函數(shù)為RBF的LS-SVM的相關(guān)算法在MatLab 2016b上設(shè)計出分類模型，如圖3所示。其中模型中的正則化參數(shù)gam=10，核參數(shù) sig2=0.2。

圖3 以RBF為核函數(shù)的LS-SVMFig.3 LS-SVM with RBF kernel function

所建模型中，將棉、滌綸、聚乙烯、羊毛、聚氯乙烯、錦綸、亞麻、蠶絲8種織物的訓(xùn)練集分別導(dǎo)入向量機(jī)中進(jìn)行訓(xùn)練，最終得到8個二類分類器SVM1、SVM2、SVM3、SVM4、SVM5、SVM6、SVM7、SVM8。在識別過程中，將8種織物的驗證集和測試集(共640條代表光譜曲線數(shù)據(jù))導(dǎo)入SVM1中，分類器分類結(jié)果n為1或0，結(jié)果為1時即為成功分類，結(jié)果為0時就會自動將特征波長輸入到下一分類器SVM2，依此類推。若所有分類器輸出結(jié)果n均為0時，即為無法分類。二類分類器原理及分類器對640個樣本分類效果如圖4所示。

圖4 分類器示意圖Fig.4 Schematic diagram of classifier

2.3 分類結(jié)果

利用連續(xù)投影算法(SPA)提取8類共640個紡織樣品的特征波長，并將每類80個樣品分為訓(xùn)練集(60個)和測試集(20個)，最后利用訓(xùn)練集導(dǎo)入基于最小二乘法支持向量機(jī)(LS-SVM)建立的二類分類器中，得到了8個二類分類器。8個二類分類器對640個樣本分類效果如表2所示。

結(jié)果顯示，棉、滌綸、聚乙烯、羊毛、聚氯乙烯、錦綸、亞麻、蠶絲8種純紡織物的60個驗證集和20個測試集均得到正確的識別，640個試驗樣品沒有無法識別分類、錯誤識別分類的情況，所建立模型的識別率和穩(wěn)定性都符合要求。

表2 SPA-LS-SVM模型的識別效果

3 結(jié) 論

利用高光譜成像技術(shù)對由8種常見的天然纖維和合成纖維制成的純紡織物進(jìn)行識別，將采集到的 8種織物按照種類分為驗證集(60個)和測試集(20個)，采用連續(xù)投影算法(SPA)結(jié)合每種織物的驗證集數(shù)據(jù)，提取出該織物所對應(yīng)的特征波長數(shù)，將原始數(shù)據(jù)壓縮至1.74%～2.43%，大大減少了模型的復(fù)雜程度，提高了準(zhǔn)確率和運算速度。繼而基于最小二乘法支持的向量機(jī)對每種織物進(jìn)行建模得到了 8個二類分類器，并將8種織物的訓(xùn)練集分別導(dǎo)入模型進(jìn)行訓(xùn)練。最后利用完成訓(xùn)練的分類器對全部640個樣本進(jìn)行識別分類。結(jié)果顯示對于此8種純紡織物的640個實驗樣本，所建模型均可正確識別，高光譜成像技術(shù)可用于棉、滌綸、聚乙烯、羊毛、聚氯乙烯、錦綸、亞麻、蠶絲的材料識別。