金肖克， 田 偉， 朱煒婧， 蔣晶晶,,3， 祝成炎

(1.浙江理工大學 材料與紡織學院、絲綢學院， 浙江 杭州 310018； 2.浙江科技學院 藝術設計學院/服裝學院， 浙江 杭州 310023； 3.國家紡織服裝產(chǎn)品質(zhì)量監(jiān)督 檢驗中心(浙江桐鄉(xiāng))， 浙江 嘉興 314599)

目前，紡織品成分種類繁多，通常可分為纖維素類、蛋白質(zhì)類、合成纖維類等。其中纖維素類纖維包括棉纖維、麻纖維等，蛋白質(zhì)纖維包括蠶絲纖維、各種毛類纖維，而合成纖維類包括滌綸、錦綸、聚乙烯纖維等。目前日益增多的紡織品種類對紡織品成分鑒別的能力提出了更高的要求。此外，紡織品中各纖維成分的含量是其貿(mào)易價值的關鍵因素，關乎生產(chǎn)者、銷售商和消費者的切身利益，而當前紡織貿(mào)易市場中存在的以次充好的現(xiàn)象則擾亂了市場規(guī)則和紡織行業(yè)的可持續(xù)發(fā)展，缺乏一種適用于在線快速檢測紡織品成分鑒別方法也是導致上述問題存在的原因。

為對各類紡織品進行成分分類，傳統(tǒng)的定性方法包括手感和視覺鑒定、燃燒法、顯微鏡觀察法、化學試劑法，特別是傅里葉變換紅外(FTIR)光譜分析方法等。不同的方法有各自的優(yōu)點和缺點，如：手感和視覺鑒定是歷史最為悠久的一種鑒別方法，但其鑒別精度較低；化學方法鑒別準確性較好，但若要實現(xiàn)鑒別需事先準備多種化學試劑，鑒別效率較低，不便于在線檢測且對環(huán)境潛在危害較大；對目前在紡織品成分檢測機構(gòu)中最為常用的顯微鏡觀察法，其通過觀察纖維的微觀結(jié)構(gòu)能夠?qū)崿F(xiàn)紡織品的精確鑒別，但這是一種有損的鑒別方法，且其制樣方式較為復雜，需要經(jīng)過專業(yè)訓練的檢測人員才能實現(xiàn)。傳統(tǒng)的FTIR光譜分析方法可以高精度地獲得測試試樣的平均光譜，且無須對試樣進行破壞性處理，并通過所獲得的光譜數(shù)據(jù)對紡織品的成分進行鑒別，但由于FTIR光譜儀的原理和結(jié)構(gòu)的限制，每次只能測量1個樣品，所獲得的數(shù)據(jù)僅包含試樣的光譜數(shù)據(jù)而不包括試樣的任何空間信息，限制了其推廣應用。

高光譜成像技術(Hyper Spectral Imaging，HSI)不同于傳統(tǒng)的傅里葉變換光譜分析方法，其光譜數(shù)據(jù)被存儲在所采集的高光譜圖像的每一像素點中，因此同時保留了試樣的空間信息和光譜信息。高光譜成像技術首先應用于遙感領域，在過去幾十年間其應用逐漸擴展到食品科學[1]、農(nóng)業(yè)[2]、醫(yī)學[3]、歷史文物保護[4]和法醫(yī)[5]等多個領域。近年來的研究人員通過高光譜成像技術分別實現(xiàn)了建筑垃圾中的聚烯烴[6]、植物廢料中的滌綸和聚乳酸纖維[7]、紙制品(如紙板、彩色紙板、報紙和打印紙)[8]和廢塑料瓶[9]的在線分類。文獻[10-12]利用高光譜成像儀采集與多種異物混雜的棉花的高光譜圖像，以梳棉表面一些難檢的異性纖維，梳棉內(nèi)部不同深度的常見雜質(zhì)(包括有色和透明的編織袋絲、有色塑料膜碎片、透明聚乙烯地膜、淺黃色麻絲、黑色和白色毛發(fā)、雜色羽毛、各色糖紙等)為研究對象，利用高光譜圖像中的空間和光譜信息以及所建立的雜質(zhì)檢測的方法和算法實現(xiàn)棉花雜質(zhì)檢測，為棉花雜質(zhì)在線分揀奠定研究基礎。Mustafic則將高光譜成像儀同熒光光源相結(jié)合，分析了高光譜熒光成像技術在鑒別棉花中異物的可行性[13-14]。盡管高光譜成像技術在其他材料的分類鑒別中均得到大量應用，但其在紡織品成分分類中僅局限于雜質(zhì)檢測，關于使用高光譜成像技術以紡織品為對象進行成分定性鑒別的研究幾乎沒有，其在紡織品成分的定性鑒別中存在的潛力及應用價值并沒有得到有效開發(fā)。

本文的主要目的是探討通過高光譜成像技術在900～1 700 nm光譜波段范圍內(nèi)實現(xiàn)紡織品成分定性鑒別的可行性。通過對各類紡織品的原始光譜數(shù)據(jù)的分析，從理論角度分析了各光譜數(shù)據(jù)預處理方法的優(yōu)劣，提出最優(yōu)化的光譜數(shù)據(jù)預處理方法，建立了一個偏最小二乘法判別分析(partial least square discriminant analysis，PLS-DA)模型對紡織品成分鑒別并評估模型的預測效果，且提出了以高光譜成像系統(tǒng)對紡織品進行成分定性鑒別的完整的技術路線，為高光譜成像技術在紡織品成分鑒別領域的發(fā)展及應用提供參考和借鑒。

1 實驗部分

1.1 試樣準備

為測試基于高光譜成像系統(tǒng)進行紡織品成分定性鑒別的可行性，本文選擇了棉、麻、蠶絲、毛(包括羊毛、羊絨、駱駝毛、牦牛、貉絨、羊駝毛和馬海毛)、滌綸、丙綸、芳綸、錦綸、高強聚乙烯和聚乳酸纖維，涵蓋了市面上較為常用的10類紡織纖維材料。為保證測試樣本的多樣性，所選擇的試樣包括機織物、針織物、紗線、纖維等，試樣由浙江省紡織測試研究院提供。

為保證試樣測試的準確性，本文將所有紗線試樣及纖維試樣卷繞于一載玻片(7.5 cm×2.5 cm)上。卷繞過程遵循以下原則：1)要盡量保證試樣卷繞平整，如果不平整則會導致試樣表面陰影增多，影響光譜數(shù)據(jù)的準確性；2)盡量卷繞緊密和不透光，如果被掃描的那一面不緊密會出現(xiàn)透光的情況，掃描時光線會透過縫隙采集到背景的光譜數(shù)據(jù)，從而影響數(shù)據(jù)的準確性。對織物試樣而言，織物試樣的折疊層數(shù)在難以保證光線不會透過試樣的情況下會對所測得的光譜數(shù)據(jù)有一定影響，因此所有測試的織物試樣均折疊2次，保證所測試織物試樣層數(shù)起碼達到4層以避免光線透過。

1.2 高光譜成像系統(tǒng)

本文所使用的高光譜成像系統(tǒng)(五鈴光學股份有限公司)由高光譜成像儀(Imspector V17E光譜儀、Raptor EM285CL高感度CCD及f/1.9 35 mm鏡頭)、光源(Ocean Optics HL-2000線性光導管組)、光源控制器、相關軟件(Spectral-image 取像軟件和HIS Analyzer分析軟件)、步進電動機傳輸裝置和置物臺組成，其光譜范圍為890～1 728 nm。

由線性光導管組所發(fā)出的光線照射到樣本表面，經(jīng)過散射、吸收、反射的光線重新通過鏡頭進入高光譜成像儀中，并由高光譜成像儀中光譜儀的透射全息光柵所分光，不同頻帶的光強度經(jīng)過轉(zhuǎn)換成為準模擬信號，并存儲于電荷耦合器件(CCD)中，傳輸裝置帶動置物臺連續(xù)移動，從而獲得完整連續(xù)的具有空間和光譜信息的高光譜圖像，高光譜成像系統(tǒng)示意圖如圖1所示。

圖1 高光譜成像系統(tǒng)示意圖Fig.1 Schematic diagram of hyperspectral imaging system

1.3 高光譜圖像采集與數(shù)據(jù)預處理

盡管通過后繼的反射率校正可在一定程度上降低光照不均等因素對高光譜圖像的影響，但是在外界光照條件差異極大的情況下，僅通過反射率校正仍難以保證高光譜圖像的光譜數(shù)據(jù)能維持一致，因此本高光譜成像系統(tǒng)均放置于一附門的暗箱中，在高光譜圖像采集的過程中需要保證暗箱門處于關閉狀態(tài)，以保證照射在試樣表面的光線僅由線性光導管組提供。線性光導管組由光源控制器控制，在正式進行高光譜圖像采集前需提前10 min開啟電源進行預熱，從而保證采集過程中光源穩(wěn)定。在開始紡織品試樣的高光譜圖像采集前，需要將標準校正白板放置在置物板上進行預采集以設定合適的采集參數(shù)(如前置鏡頭和試樣間的距離、鏡頭對焦焦距、曝光時間、傳輸裝置傳輸速度、光照強度等)，使標準校正白板中的平均數(shù)字量化值(DN)接近于CCD存儲最大DN值(4 096)的80%左右(3 200)，通過交換式電源供應器來控制調(diào)整光照強度，在完成所有初始設置之后，采集白板高光譜圖像。之后將白板移去，在置物臺上放置待測試樣，在相同的測試條件下，采集紡織品試樣高光譜圖像。

暗電流是流過光敏器件的微小電流，在物理上它是由設備耗盡區(qū)內(nèi)的電子和空穴的隨機運動引起的。高光譜成像儀中的圖像傳感器引起的暗電流噪聲是一種固定模式噪聲，需要通過暗電流校正處理來排除暗電流在高光譜圖像中的存在，暗電流校正需要將原始圖像的DN值減去暗電流圖像的DN值。在儀器參數(shù)同紡織品試樣高光譜圖像采集相同的情況下，蓋上鏡頭蓋，采集高光譜圖像，所采集的圖像便包含了儀器暗電流信息的暗電流高光譜圖像。

由于高光譜圖像中的光譜數(shù)據(jù)是以DN值的形式存儲于各像素點中，表示各像素點的光強度，因此受外界光照強度的影響較大，僅僅能在一定程度上代表試樣信息，在外界測試條件不同的情況下，所得到的高光譜圖像及光譜數(shù)據(jù)不具備泛化性和重復性，因此需要進行反射率校正，通過反射率校正將高光譜圖像中的DN值轉(zhuǎn)換為具備一定代表性的反射率值，該過程是定標的一種方式。

本文中所采用的反射率校正方法為平場域校正法(flat field correction)。通過該反射率校正方法不僅能夠?qū)崿F(xiàn)定標將DN轉(zhuǎn)換為能夠代表試樣本身特性的反射率值，由于其校正是試樣高光譜圖像同白板高光譜圖像之間相同坐標像素點間一一對應進行校正，因此其同時能夠去除試樣表面陰影、光源照射不均等因素對高光譜圖像產(chǎn)生的負面影響。暗電流校正和反射率校正可通過下式計算

式中：R為校正圖像的反射率；D為校正圖像的DN值；Ddc為暗電流圖像的DN值；Drf為校正白板圖像的DN值；Rrf為校正白板的反射率。

由于試樣的光譜數(shù)據(jù)是存在于高光譜圖像的像素點中，需要使用ENVI(environment for visualizing images)軟件提取經(jīng)過暗電流校正和反射率校正的試樣高光譜圖像的光譜數(shù)據(jù)。通過ENVI打開高光譜圖像，并用感興趣區(qū)域(ROI)工具從圖像中選取試樣的區(qū)域，并對ROI區(qū)域內(nèi)的所有像素點的光譜數(shù)據(jù)進行平均處理并導出，最終獲得試樣的光譜數(shù)據(jù)。通過平均ROI區(qū)域內(nèi)的像素點的光譜數(shù)據(jù)能夠進一步減少像素點光譜波動對試樣光譜數(shù)據(jù)的影響，提高信噪比和數(shù)據(jù)準確性，由于高光譜成像系統(tǒng)在光譜范圍邊界的光譜數(shù)據(jù)信噪比較低，因此去除信噪比較低的波段的光譜數(shù)據(jù)，僅保留960～ 1 628 nm波段范圍內(nèi)的光譜數(shù)據(jù)進行后續(xù)分析研究。本文高光譜圖像采集及光譜數(shù)據(jù)提取的流程如圖2所示。

圖2 高光譜圖像采集及校正流程圖Fig.2 Flow chart of hyperspectral image acquisition and calibration

2 結(jié)果與討論

2.1 預處理方法研究

紅外光譜來自分子振動(即分子拉伸和彎曲)吸收反映化合物本身結(jié)構(gòu)的特定頻率(或波長)，化學鍵所連接的原子和鄰近原子的類型是確定輻射吸收的關鍵因素。輻射吸收的頻率(通常用于中紅外光譜分析)或波長(通常用于近紅外光譜分析)可直接與鍵和官能團存在聯(lián)系。近紅外區(qū)域中的吸收帶是光譜中紅外區(qū)域吸收帶倍頻和組合的結(jié)果。相關的化學鍵通常為R—H(即C—H，O—H，N—H，S—H)[15]，因此，近紅外范圍的光譜特征可用來對紡織品成分定性分析，但該區(qū)域的光譜特征差異并沒有中紅外區(qū)域明顯，因此需要光譜數(shù)據(jù)預處理算法以及分類模型實現(xiàn)鑒別。42個滌綸(PET)試樣未經(jīng)任何預處理的光譜曲線如圖3所示。

圖3 滌綸試樣的原始光譜曲線Fig.3 Raw spectral curves of PET samples

可以看出，盡管PET試樣的特征峰位置沒有變化，但不同試樣之間的總體反射率強度存在差異，在紅外光譜分析中，上述現(xiàn)象被稱為基線漂移，通常由測試倉中探測頭在試樣之上壓力不同所引起的。而在使用高光譜成像系統(tǒng)索取紡織品試樣的光譜數(shù)據(jù)時，試樣的顏色、包纏等加工工藝，紗線和纖維試樣的卷繞層數(shù)、織物試樣的折疊層數(shù)等因素均會對高光譜圖像中所提取光譜數(shù)據(jù)的總體反射率強度產(chǎn)生影響[16]，從而導致PET試樣的反射率在0.65～1.1之間浮動。

除上述由紡織品形態(tài)、顏色等因素引起的基線漂移現(xiàn)象會對后續(xù)紡織品成分鑒別模型鑒別精度產(chǎn)生影響之外，所測試試樣的光譜數(shù)據(jù)同樣會無可避免地受到儀器參數(shù)、外界測試條件等因素的影響，從而導致信噪比低等問題，因此需要在利用光譜數(shù)據(jù)進行建模之前，對光譜數(shù)據(jù)進行預處理，去除同一類別試樣間的光譜曲線漂移現(xiàn)象，其不僅僅有助于提高光譜的信噪比，還可實現(xiàn)原始光譜的數(shù)據(jù)挖掘，揭示其反應機制，此外更能提高所建立定性鑒別模型和定量鑒別模型的檢測準確度和穩(wěn)定性。基于上述原因，本文首先針對各類光譜數(shù)據(jù)預處理方法進行原理上的比較，以實現(xiàn)預處理方法的優(yōu)選和改進。常用的預處理方法有歸一化、標準正態(tài)變量變換(SNV)、多元散射校正(MSC)和一階導數(shù)。

歸一化是將數(shù)據(jù)映射到0～1范圍之內(nèi)的一種標準化方法，在數(shù)據(jù)挖掘和處理方面具有下列優(yōu)點：提升模型的收斂速度，在某些情況下能大幅提高模型的運算效率，在紡織品成分的快速在線檢測中有重要作用；提升模型的精度，特別是在涉及距離計算的算法時效果顯著，而在紡織品成分定性分析模型中大部分依靠距離計算算法。常用的歸一化算法為線性函數(shù)歸一化、0均值歸一化。SNV[17]同樣也能實現(xiàn)數(shù)據(jù)的歸一化處理，SNV常被用于去除光譜信號變異，在近紅外光譜分析、拉曼光譜分析、激光誘導擊穿光譜分析等領域內(nèi)均運用。

多元散射校正是現(xiàn)階段多波長定標建模常用的一種數(shù)據(jù)處理方法，用于消除試樣表面光散射效應帶來的負面影響，同時增強與試樣成分相關的信息，不僅消除了試樣光譜數(shù)據(jù)中存在的基線平移和偏移現(xiàn)象，同時提高數(shù)據(jù)的信噪比。其原理是首先需要建立一個待測樣品的“理想光譜”，通過每個樣品的光譜與理想光譜進行一元線性回歸求得的線性平移量(回歸常數(shù))b和傾斜偏移量(回歸系數(shù))b0，實現(xiàn)試樣光譜曲線的基線平移和偏移校正，實際應用中理想光譜幾乎是不存在的，因此以同類試樣的平均光譜(標準光譜)作為理想光譜[18]。經(jīng)由多元散射校正處理的PET試樣的光譜曲線如圖4所示，多元散射校正具體的步驟及公式如下：

圖4 多元散射校正處理的滌綸試樣的光譜曲線Fig.4 Spectral curves of PET samples treated by MSC

一階導數(shù)是一個由速度問題和切線問題抽象出來的數(shù)學概念。光譜曲線的一階導數(shù)是每一數(shù)據(jù)點上曲線的切線的斜率，因此一階導數(shù)通常被描述為瞬時變化率，表現(xiàn)的是試樣在不同波長上的曲線變化程度，相較于原始數(shù)據(jù)，其不僅能夠?qū)崿F(xiàn)基線漂移的校正，同時突出了試樣光譜曲線特征峰的峰位置及峰強。經(jīng)過一階導數(shù)處理的PET試樣的光譜曲線見圖5。

圖5 一階導數(shù)處理的PET試樣的光譜曲線Fig.5 Spectral curves of PET samples treated by first derivative

由圖4、5可知，經(jīng)過MSC處理的PET試樣的光譜曲線相較于未經(jīng)處理的原始數(shù)據(jù)，其一定程度上校正了基線漂移，使不同試樣的光譜曲線更為集中，但在不同波段范圍內(nèi)校正后光譜曲線的集中程度存在差異，如在1 100～1 200 nm和1 340～1 450 nm波段上通過處理后曲線較為集中，而在其他波段范圍內(nèi)則仍有一定程度的差異。而對一階導數(shù)處理的PET試樣的光譜曲線而言，同經(jīng)過MSC處理的光譜曲線相比，經(jīng)過一階導數(shù)處理之后的42個試樣的光譜曲線非常集中，幾乎完全去除了基線漂移現(xiàn)象，同時通過一階導數(shù)放大了光譜曲線特征差異。

2.2 模型建立與分析

在涉及到光譜分析及分類鑒別模型的建立時，由于光譜數(shù)據(jù)量大，樣品種類繁多，各樣品光譜數(shù)據(jù)之間差異大等原因，訓練集和測試集中的樣本的選擇會對模型的分類準確度產(chǎn)生較大影響[19]。如若訓練集的樣本不具備代表性，盡管樣本數(shù)量符合要求，但大部分樣本均是光譜差異較小的樣本，便起不到完全訓練模型的效果，測試集中未得到訓練的樣本則難以正確分類，因此選用合適的樣本集樣本挑選方法至關重要。目前常用的樣本選擇方法主要包括：隨機挑選法(SR)、Kennard-Stone法(KS)、含量梯度法(CG)、SPXY法(sample set partitioning based on joint X-Y distances)。隨機挑選法即以隨機的方式將樣本挑選進入訓練集和測試集，所有總樣本集中的樣本被選入訓練集的概率均不為零且概率相等，以隨機挑選法挑選樣本的隨機性大。含量梯度法將樣品集中的樣本按某個組分的含量值順序排列，從中按序抽取樣品組成訓練集。Kennard-Stone法的原理是將光譜數(shù)據(jù)差異較大的樣本選入訓練集，而其余的樣本則納入測試集。SPXY法的原理同Kennard-Stone法幾乎完全相同，這2種方法的區(qū)別在于SPXY法以新定義的同成分濃度相關的特征參數(shù)來替代Kennard-Stone法中的歐式距離。

含量梯度法由于需要對樣品集中某組分含量排序，通常運用于成分定量分析中，在成分定性分析中由于不存在成分含量這一參數(shù)，若全新定義一新的參數(shù)來取代成分含量信息以進行選擇，則需要對新定義的參數(shù)進行探討，較為繁瑣且可能導致更差的挑選結(jié)果，因此含量梯度法更為適合成分定量分析。SPXY法同含量梯度法一樣存在相同的問題，同樣更適合定量分析。正如本文2.1部分所論述的，即使是同一成分種類的紡織品，其原始光譜曲線同樣受到紡織品形態(tài)(纖維、紗線和織物)、顏色、其他加工工藝的影響，導致光譜差異較大，以Kennard-Stone法選用樣本能夠保證訓練集中樣本的代表性，從而保證所建立模型的泛化性能，但如此便對總樣本集中樣本的數(shù)量和代表性提出了更高的要求，在上述要求難以得到滿足的基礎上反而會導致模型后繼泛化性能的下降，在通過一階導數(shù)對原始光譜數(shù)據(jù)進行處理的情況下，由于該預處理方法降低了試樣間的光譜差異，在光譜差異較小的情況下，Kennard-Stone法并沒有之前的優(yōu)勢，且進行此樣本挑選方法相較于隨機挑選法更為耗時，這也是本文選用一階導數(shù)處理作為預處理方法的原因。

基于上述原因，本文通過隨機抽樣法以接近 2∶1 的比例對所有樣本進行訓練集和測試集樣本挑選，通過一階導數(shù)對原始光譜數(shù)據(jù)進行預處理，并將經(jīng)過一階導數(shù)預處理的光譜數(shù)據(jù)作為輸入數(shù)據(jù)通過MatLab 2012R中工具箱建立PLS-DA的紡織品成分鑒別模型。訓練集和測試集的具體樣本數(shù)量如表1所示。

表1 訓練集和測試集樣本數(shù)量Tab.1 Sample number of train set and test set

PLS-DA是將偏最小二乘法(PLS)和判別分析(DA)相結(jié)合發(fā)展而成的一種分類方法，PLS-DA既能利用目前在化學分析中最為常用的回歸技術之一的PLS算法實現(xiàn)因子分析和回歸分析，且能夠在此基礎上將經(jīng)過PLS算法處理的數(shù)據(jù)進行后續(xù)的判別分析以用于分類。

首先，PLS通過因子分析將對經(jīng)過一階導數(shù)預處理的光譜數(shù)據(jù)轉(zhuǎn)換成包含原始信息的主成分變量，主成分變量由原始數(shù)據(jù)的線性組合而成，不同的主成分變量對最終分類鑒別模型有不同的貢獻率，通常按照貢獻率的比例進行排序，通過主成分的合理選取，去掉貢獻率低的主成分(代表干擾噪音信息和同成分不相關的信息)，按順序選取貢獻率高的主成分參與建模。參與建模的主成分個數(shù)過少，則難以包含所有光譜數(shù)據(jù)中的信息，造成信息的缺失；若參與建模的主成分個數(shù)過多，便會將包含成分無關信息或噪音的主成分納入模型中，難以起到提高模型精度的目的，同時會降低模型的鑒別運算效率，此外模型的推廣能力同樣會受到一定影響。本模型所選取的主成分個數(shù)為10。

對每一樣本而言，經(jīng)過訓練集樣本訓練的PLS-DA模型將對每一類別均返回一個預測值(介于0和1之間)，并最終將樣本分配給具有最大預測值的類別，該類別便是樣本的預測類別。利用所建立的PLS-DA模型對測試集中62個樣本進行紡織品成分定性鑒別，驗證所建立模型鑒別的準確性。測試集樣本分類結(jié)果的混淆矩陣見表2。

表2 預測集試樣分類結(jié)果的混淆矩陣Tab.2 Confusion matrix of prediction set classification results

由表2可知，測試集中絕大部分的試樣均得到正確分類，62個試樣中未得到正確分類的試樣共有 2個(總體鑒別準確率為96.78%)：丙綸試樣未被劃分到任一類別中和錦綸試樣被誤分類為滌綸。棉和麻類紡織品的光譜曲線幾乎完全相同，僅通過肉眼比較光譜曲線難以實現(xiàn)鑒別分類，通過所建立的紡織品成分鑒別模型能夠以較高的精度實現(xiàn)上述二類較難區(qū)分的紡織品成分的鑒別(棉同麻的鑒別準確率均為100%)。

以高光譜成像系統(tǒng)所獲得的光譜數(shù)據(jù)經(jīng)由一階導數(shù)處理所建立的PLS-DA紡織品成分定性鑒別模型，能夠以較高的精度實現(xiàn)棉、麻、蠶絲、毛、滌綸、丙綸、芳綸、錦綸、聚乳酸纖維和高強聚乙烯纖維共10種較為常見的紡織品成分種類。纖維、紗線、機織物以及針織物均能實現(xiàn)分類，經(jīng)過染色工藝且顏色不同的紡織品同樣能夠得到正確鑒別；帶有特殊光譜曲線特征峰的雙組分或多組分紡織品能夠正確排除，不會被歸類到相似的種類中。

3 結(jié)束語

本文探討了使用高光譜成像系統(tǒng)對目前較為常用的紡織品成分種類進行鑒別的可行性。通過紡織品加工工藝及纖維形態(tài)多樣性對高光譜數(shù)據(jù)的影響展開討論，分析并比較了各類預處理方法的效果。從原理上分析比較了訓練集和測試集樣本挑選方法的優(yōu)劣，結(jié)合預處理方法的分析，建立了基于PLS-DA的紡織品成分鑒別模型，得出了如下結(jié)論。

1)不同加工工藝(顏色、紡織品形態(tài)等)對其高光譜數(shù)據(jù)的特征峰位置并沒有影響，但光譜基線漂移現(xiàn)象同樣存在。若以原始數(shù)據(jù)進行訓練建模，在訓練集樣本挑選時需要考慮樣本的代表性，多元散射校正盡管能夠一定程度上校正樣本的基線漂移，但效果明顯差于一階導數(shù)預處理，以一階導數(shù)處理為預處理方法時能夠去除試樣加工工藝的影響，較大程度減少試樣間光譜數(shù)據(jù)差異，保證能以隨機挑選法選擇樣本，簡化流程。

2)所建立的偏最小二乘法判別分析紡織品成分鑒別模型能夠?qū)崿F(xiàn)棉、麻、蠶絲、毛、滌綸、丙綸、芳綸、錦綸、聚乳酸纖維和高強聚乙烯纖維共10種較為常見的紡織品成分種類的鑒別，不同顏色的試樣，無論是纖維形態(tài)、紗線形態(tài)或織物形態(tài)的紡織品均能得到鑒別，且總體鑒別準確率達到96.78%。

3)運用高光譜成像系統(tǒng)對紡織品成分進行鑒別具備可行性，由于該方法能夠?qū)⒖臻g信息和光譜信息同時存儲于高光譜圖像中，在精細鑒別中具有應用價值，同時具備快速、無損、能夠?qū)崿F(xiàn)大批量在線檢測的優(yōu)勢，針對高光譜圖像中像素點的分類是本文下一步重點工作。