摘 要：棉花雜質(zhì)含量是棉花定級和定價的主要指標(biāo)之一，實現(xiàn)棉花雜質(zhì)的快速、無損檢測具有重要的現(xiàn)實意義和應(yīng)用價值。對原棉進(jìn)行除雜，并分離得到純棉、棉枝葉、破籽和泥石4類物質(zhì)，在高光譜成像系統(tǒng)中采集這4類物質(zhì)高光譜圖像，提取并分析他們的高光譜數(shù)據(jù)及特征，采用多元散射校正、標(biāo)準(zhǔn)正態(tài)變量變換和一階導(dǎo)數(shù)作為數(shù)據(jù)預(yù)處理方法，選用主成分分析進(jìn)行數(shù)據(jù)降維及可區(qū)分性研究，結(jié)合主成分個數(shù)的優(yōu)選建立判別分析模型，建立了原棉雜質(zhì)檢測模型，并對比分析所建立的不同檢測模型的分類效果。結(jié)果表明：多元散射校正、標(biāo)準(zhǔn)正態(tài)變量變換和一階導(dǎo)數(shù)3種方法均能有效消除光譜曲線的基線漂移現(xiàn)象，使原有特征峰更加明顯；檢測模型的主成分個數(shù)優(yōu)選為8；對應(yīng)原始光譜、多元散射校正、標(biāo)準(zhǔn)正態(tài)變量變換和一階導(dǎo)數(shù)預(yù)處理的判別分析模型測試集準(zhǔn)確率分別為100%、90%、93%和100%，證實了利用高光譜成像技術(shù)能夠?qū)υ揠s質(zhì)進(jìn)行有效檢測識別。

關(guān)鍵詞：棉雜質(zhì)；高光譜；光譜預(yù)處理；主成分分析；判別分析

中圖分類號：TS111.9

文獻(xiàn)標(biāo)志碼：A

文章編號：1009-265X（2024）11-0046-09

棉花是世界上重要的經(jīng)濟(jì)作物，也是中國重要的紡織品生產(chǎn)原料和出口創(chuàng)匯物質(zhì)［1］。棉花雜質(zhì)含量是評價棉花經(jīng)濟(jì)價值和質(zhì)量的重要指標(biāo)，而棉花雜質(zhì)的鑒別與分離一直是棉花生產(chǎn)加工中的一大痛點。因此，研究更加高效簡便的棉花雜質(zhì)檢測和鑒別方法具有重要的現(xiàn)實意義。

國內(nèi)外棉花雜質(zhì)的檢測方法大致可歸類為3種：直接觀察法、圖像法和光譜法。直接觀察法是通過人的肉眼觀察結(jié)合手感，對棉花雜質(zhì)做出分類判斷。直接觀察法操作簡單，但是較依賴觀察者的經(jīng)驗，主觀性強(qiáng)，并且效率低下，只適用于少量棉雜質(zhì)的檢測。圖像法是指采用不同的圖像掃描設(shè)備，采集和生成樣本圖像后，結(jié)合算法對圖像進(jìn)行數(shù)據(jù)處理，達(dá)到對棉雜質(zhì)的檢測目的。已有研究者分別采用Canny的雜質(zhì)圖像處理算法［2］、改進(jìn)GA神經(jīng)網(wǎng)絡(luò)棉花雜質(zhì)檢測算法［3］、基于局部二值模式和灰度共生矩陣的籽棉雜質(zhì)分類識別算法［4］對機(jī)采棉中的常見雜質(zhì)進(jìn)行分類。光譜法是指通過采集棉樣品的光譜信息，預(yù)處理光譜后建立預(yù)測模型，結(jié)合化學(xué)方法測定的雜質(zhì)含量，預(yù)測未知樣品的雜質(zhì)成分以及含量［5］。在通過光譜法實現(xiàn)棉雜質(zhì)含量的檢測中，郭俊先等［6］對比不同的光譜預(yù)處理方式，應(yīng)用偏最小二乘回歸建立了皮棉雜質(zhì)含量預(yù)測模型；Han等［7］對6種提取算法優(yōu)化后的特征波長進(jìn)行建模和分析，有效預(yù)測籽棉的雜質(zhì)含量。

盡管現(xiàn)有棉花檢測方法可以有效檢測部分雜質(zhì)，但仍存在不足。利用單一的檢測技術(shù)能夠識別出的雜質(zhì)種類有限。利用圖像法識別棉雜質(zhì)時，對于棉內(nèi)層的雜質(zhì)識別效果較差。因此，需要結(jié)合現(xiàn)有技術(shù)的特點，嘗試采用新的技術(shù)和手段，開發(fā)新的棉花雜質(zhì)檢測方法，提高棉花雜質(zhì)檢測的準(zhǔn)確率。

高光譜成像技術(shù)最早用于遙感領(lǐng)域，由于其具有高分辨率、波段信息豐富、波長覆蓋范圍寬等優(yōu)點，能夠有效應(yīng)用于紡織領(lǐng)域的檢測研究。常金強(qiáng)等［8］選擇線性判別分析、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)3種分類判別算法，并建立機(jī)采籽棉雜質(zhì)分類判別模型。郭俊先等［9］以梳棉中多種雜質(zhì)為研究對象，通過確定雜質(zhì)檢測中的關(guān)鍵或特征波長，對異性纖維實現(xiàn)有效識別檢測。相關(guān)研究均證實了在棉花雜質(zhì)檢測中，相較于傳統(tǒng)近紅外光譜和圖像檢測方法，高光譜成像技術(shù)擁有圖像信息更加豐富、圖譜合一和更加高效準(zhǔn)確等優(yōu)勢。

本文擬選取波段范圍920～2500 nm的高光譜成像系統(tǒng)，手動分揀出原棉中的純棉和破籽、泥石、棉枝葉雜質(zhì)，采集其高光譜圖像，提取不同類型雜質(zhì)的高光譜曲線并進(jìn)行表征，采用多元散射校正（Multiplicative scatter correction，MSC）、標(biāo)準(zhǔn)正態(tài)變量變換（Standard normal variate transformation，SNV）和一階導(dǎo)數(shù)（First derivative，F(xiàn)D）作為光譜預(yù)處理方法，選擇主成分分析算法（Principal component analysis，PCA）對原始光譜數(shù)據(jù)進(jìn)行降維處理并分析不同雜質(zhì)的光譜可區(qū)分性，結(jié)合PCA主成分?jǐn)?shù)量的優(yōu)選建立棉花雜質(zhì)的分類判別模型，并驗證模型分類的準(zhǔn)確率。本文可為利用近紅外波段高光譜圖像實現(xiàn)棉花雜質(zhì)的檢測以及雜質(zhì)含量預(yù)測提供一定的理論參考，也可擴(kuò)大高光譜成像技術(shù)在紡織材料的品質(zhì)檢測領(lǐng)域的應(yīng)用。

1 材料與方法

1.1 制樣

本文所測試分析的棉花樣品為原棉（又稱皮棉），棉花種類為新陸種，顏色級為白棉3級，馬克隆值4.0，纖維斷裂比強(qiáng)度32.2 cN/tex，整齊度指數(shù)84.7%，由湖州市纖維檢驗所提供，其產(chǎn)地為新疆昌吉回族自治州。

取一定量經(jīng)過初步除雜后得到原棉，喂入YG041原棉雜質(zhì)分析機(jī)中經(jīng)多次除雜，直至純棉與雜質(zhì)完全分離。收集除雜后得到的雜質(zhì)，發(fā)現(xiàn)原棉中只包含了棉枝葉、泥石和破籽3類雜質(zhì)。棉枝葉、泥石和破籽3類雜質(zhì)在原棉中的分布如圖1所示。

用金屬鑷子人工挑揀出棉枝葉、泥石和破籽3類雜質(zhì)并分類，制成棉枝葉、泥石、破籽和純棉的高光譜圖像采集樣本，采集高光譜圖像。試樣制備情況如表1所示。

1.2 高光譜成像系統(tǒng)和圖像采集

采用江蘇雙利合譜科技有限公司的GaiaSorter（Dual）高光譜分選儀進(jìn)行光譜測定，其硬件平臺由高光譜成像儀、照明光源、光源控制器、室內(nèi)暗箱、電控移動平臺和一臺計算機(jī)組成。高光譜成像系統(tǒng)的裝置如圖2所示。

光譜相機(jī)的光譜范圍為920～2526 nm，相機(jī)曝光時間為6 ms，相機(jī)幀速為70.0133 Hz，鏡頭與樣品間的距離為33.5 cm，相機(jī)像素為384×288。電控移動平臺移動速度為3 cm/s。樣品臺上附有漫反射率在99%以上的標(biāo)準(zhǔn)參考白板和焦距調(diào)節(jié)板。高光譜圖像采集全程在溫度20 ℃，相對濕度65%的恒溫恒濕實驗室內(nèi)進(jìn)行，包括設(shè)備預(yù)熱、試樣處理擺放和設(shè)備正式運行的全過程。在進(jìn)行高光譜圖像采集前，需要打開儀器設(shè)備預(yù)熱0.5 h，并在相同的溫濕度條件下預(yù)調(diào)濕24 h，以確保高光譜成像系統(tǒng)的平穩(wěn)運行及高光譜采集圖像的清晰度。高光譜成像系統(tǒng)配套軟件操作平臺為SpecView軟件。

1.3 高光譜圖像校正

由于高光譜成像儀中暗電流的存在和不均勻的光強(qiáng)分布而產(chǎn)生的噪聲會對樣品圖像造成一定的影響，對高光譜數(shù)據(jù)進(jìn)行預(yù)處理有助于減小噪聲干擾［10］。對高光譜圖像進(jìn)行黑白板校正預(yù)處理［11］，校正公式見式（1）：

Rref=DNraw-DNdarkDNwhite-DNdark（1）

式中：Rref是校正后的高光譜圖像；DNraw是原始的高光譜圖像；DNwhite是標(biāo)準(zhǔn)白板的標(biāo)定圖像；DNdark是暗電流的標(biāo)定圖像。其次，使用Savitzky-Golay方法（5點窗口，多項式順序為2）平滑處理獲得光譜數(shù)據(jù)。以上處理過程均在高光譜系統(tǒng)配套軟件平臺SpecView中完成。

1.4 模型的建立

1.4.1 光譜預(yù)處理方法

高光譜圖像采集和光譜信息提取過程中受系統(tǒng)噪聲、背景信息等原因的影響，可能會存在信噪比低、基線漂移和光譜重現(xiàn)等問題。而對光譜進(jìn)行預(yù)處理，有利于排除噪聲干擾，充分挖掘原始數(shù)據(jù)的有效信息，使后續(xù)的鑒別模型更加精準(zhǔn)穩(wěn)定。因此，對提取的樣本光譜進(jìn)行SNV、MSC和FD預(yù)處理，數(shù)據(jù)處理采用Matlab2022a軟件，3種預(yù)處理方法的原理及公式如下：

a）SNV是一種用于消除由于樣品表面發(fā)生不同情況散射和光程度變化引起的光譜誤差的預(yù)處理方法［12］。它主要通過對光譜數(shù)據(jù)進(jìn)行均值中心化和標(biāo)準(zhǔn)差縮放，來消除數(shù)據(jù)中的非特異性測量誤差。它在不損失數(shù)據(jù)原始信息的前提下，能夠更好地突出光譜中的特征信息，減少干擾因素對數(shù)據(jù)分析結(jié)果的影響。其計算公式如式（2）：

XSNV=x-x∑mk=1（xk-x）2m-1（2）

式中：m為波長點數(shù)，k=1，2，3，…，m。

b）MSC是一種常見的數(shù)據(jù)處理方法，可以有效地消除樣品表面的光射的影響，增強(qiáng)樣品成分信息，提高數(shù)據(jù)信噪比［13］。它的基本原理是：首先確定待測樣品的“理想光譜”，使光譜信息和樣品成分之間呈線性相關(guān)且相關(guān)系數(shù)極大，然后通過每個樣品的光譜與“理想光譜”進(jìn)行一元線性回歸得到截距（回歸常數(shù)）和斜率（回歸系數(shù)），從而校正光譜的基線偏移。在實際應(yīng)用中，由于“理想光譜”很難獲得，所以可以將所有試樣的平均光譜（標(biāo)準(zhǔn)光譜）當(dāng)作“理想光譜”。具體公式見式（3）—（5）：

x=xi，1+xi，2+…xi，nn（3）

x=b0+xb（4）

XMSC=x-b0b（5）

式中：i為光譜波段，而n為樣本數(shù)量，b0為每個光譜的回歸常數(shù)，b為回歸系數(shù)。

c）FD是指函數(shù)或連續(xù)值在某一點附近的變化率，本質(zhì)上是通過極限的概念對函數(shù)作局部線性逼近［14］。在光譜分析中，一階導(dǎo)數(shù)是每一數(shù)據(jù)點上曲線的切線斜率，反映原始光譜曲線的變化速率。在一定程度上，經(jīng)過FD變換的光譜數(shù)據(jù)能夠去除原始數(shù)據(jù)中線性及接近線性成分，突出原始反射率曲線的拐點和極值點。具體公式見式（6）：

FDR（λi）=R（λi+1）-R（λi）λi+1-λi（6）

其中：FDR（λi）為波長i處的一階導(dǎo)數(shù)值，R（λi+1）、R（λi）分別是波長i+1和i處的反射率。

1.4.2 判別模型的建立

在ENVI5.6軟件中打開經(jīng)過黑白板校正預(yù)處理的純棉及其3類雜質(zhì)的高光譜圖像，剔除首尾噪聲較大的波段，保留1016～2439 nm共255個波段的數(shù)據(jù)，并提取它們的光譜數(shù)據(jù)。在每個圖像中選取3個感興趣ROI區(qū)域，得到純棉、棉枝葉、破籽、泥石的光譜曲線各30條，并對同種樣品的光譜曲線求平均值得到它們的標(biāo)準(zhǔn)光譜曲線。對120條光譜曲線采用MSC、SNV、FD 3種光譜預(yù)處理方法處理數(shù)據(jù)（未經(jīng)過光譜預(yù)處理的數(shù)據(jù)命名為RAW），進(jìn)行對比分析；將原始光譜和預(yù)處理后的光譜分別進(jìn)行PCA降維處理，觀察分類效果；將120個樣本數(shù)據(jù)隨機(jī)劃分為90個訓(xùn)練集和30個測試集，選取降維后的主成分進(jìn)行判別分析，建立RAW-PCA-DA、SNV-PCA-DA、MSC-PCA-DA、FD-PCA-DA 4種判別分類模型。PCA和DA的相關(guān)原理如下，具體數(shù)據(jù)處理采用Origin2018軟件完成。

a）PCA是一種利用降維以盡可能少量且對原始數(shù)據(jù)有代表性、互不重疊的新指標(biāo)代替原來多個指標(biāo)的統(tǒng)計方法。PCA采用降維方法，即按照最高協(xié)方差的方向把數(shù)據(jù)從高維空間投射到低維空間，假設(shè)數(shù)據(jù)方差在投射維度上最大，以便在保留更多原始數(shù)據(jù)點屬性的同時使用更少維度的數(shù)據(jù)，將原始變量轉(zhuǎn)換成新的變量（PC1、PC2……PCn）。PCA的主要步驟有：對初始變量進(jìn)行標(biāo)準(zhǔn)化和同趨勢化，消除量綱影響；根據(jù)處理后的數(shù)據(jù)矩陣求出相關(guān)系數(shù)矩陣；求出協(xié)方差矩陣的特征根和特征向量；確定主成分表達(dá)式，并確定主成分個數(shù)，選取主成分；結(jié)合主成分對研究問題進(jìn)行分析。

b）判別分析（Discriminant analysis，DA）是一種多變量統(tǒng)計分析方法，能夠在假設(shè)分類已知的情況下，根據(jù)若干定量特征（稱因子或判別變量）對未知類別的觀察樣本進(jìn)行類型判別。常用的判別方法有距離法、Fisher法和Bayes法，本文采用Bayes判別法。

假設(shè)有總體Gi（i=1，2，3，…，k），設(shè)有k個總體，它們的先驗概率總體分別是q1，q2，q3，…，qk，各總體的密度函數(shù)分別為f1（x），f2（x），f3（x），…，fk（x），其后驗概率計算方式見式（7）：

pGix0=qifi（x0）∑qifi（x0）（7）

判斷準(zhǔn)則見式（8）：

Gix0=qifi（x0）∑qifi（x0）=max1≤i≤kqifi（x0）∑qifi（x0）（8）

式中：i=1，2，3，…，k；j=1，2，3，…，k；qi和fi（x0）分別是第i個分類的先驗概率和樣本在第i個分類下總體的多元分布。

2 結(jié)果與討論

2.1 純棉及3類雜質(zhì)的高光譜表征

純棉及其3類雜質(zhì)求平均后得到的標(biāo)準(zhǔn)光譜曲線如圖3所示。從圖3中可以看到，在大部分波長下，純棉、棉枝葉、破籽3類物質(zhì)反射率的大小依次為純棉、棉枝葉和破籽。純棉、棉枝葉和破籽的光譜變化趨勢相似，并且與泥石明顯不同。泥石的光譜曲線趨勢總體平緩，反射率數(shù)值也明顯較低，說明了泥石與其他3類物質(zhì)的光譜曲線具有明顯的可分性，這可能是因為構(gòu)成他們的物質(zhì)成分不同，泥石屬于無機(jī)物，主要成分為碳酸鈣和二氧化硅，對光的吸收性較好；棉枝葉、純棉和破籽都屬于植物纖維，具有相似的組成成分，所以他們的光譜曲線呈現(xiàn)相近的變化趨勢。這3類物質(zhì)在1400、1900 nm和2100 nm處有較為明顯的特征峰。在1400 nm處特征峰形成的原因是纖維素分子中的C—H鍵的合頻的倍頻吸收，或者是O—H鍵的一級倍頻吸收；1900 nm處可能具有水和O—H鍵的合頻吸收；2100 nm處可能具有C—H鍵的合頻吸收［15］。

綜上所述，除泥石外其他物質(zhì)的光譜曲線趨勢相同，但還是體現(xiàn)出不同的反射和吸收特性。不同種類物質(zhì)（植物纖維與非植物纖維）之間的差異大于同種物質(zhì)之間的光譜差異，同種物質(zhì)之間的差異不能通過單個波長判別，所以需要進(jìn)行進(jìn)一步的數(shù)據(jù)分析和建模。

2.2 光譜數(shù)據(jù)預(yù)處理算法的對比分析

對所有試樣的原始光譜曲線采用SNV、MSC和FD 3種預(yù)處理方式，比較不同光譜預(yù)處理方法的特點。棉枝葉試樣的數(shù)據(jù)處理結(jié)果如圖4所示。

經(jīng)過MSC校正后，所有棉枝葉試樣的光譜曲線間的偏移在一定程度上得到了減小，光譜曲線形狀基本沒有變化，特征峰的數(shù)量和位置也沒有發(fā)生改變。在某些特定波段范圍內(nèi)同類棉枝葉試樣的光譜曲線仍然存在差異，但經(jīng)過MSC處理的光譜曲線更加平滑。經(jīng)過SNV處理后的棉枝葉光譜曲線走勢與MSC處理效果較為相似，同時都在一定程度上緩解了光譜基線漂移現(xiàn)象。經(jīng)過FD處理后，棉枝葉試樣的光譜曲線發(fā)生了較大程度的變化，特征峰數(shù)量明顯增多，這是因為FD處理突出了原始光譜曲線中微小的特征峰。與此同時，F(xiàn)D處理較好地改善了棉枝葉試樣整體反射率值浮動的狀況，有效解決了基線漂移的現(xiàn)象。

綜上，通過對比MSC、SNV和FD處理這3種光譜預(yù)處理方法對消除同種棉枝葉試樣原始光譜的曲線波動的影響，結(jié)果表明，上述預(yù)方法都能實現(xiàn)光譜"基線漂移的校正。但是不同預(yù)處理方法取得的效果并不相同，F(xiàn)D取得的效果最好，MSC和SNV取得的效果相似。

所有種類試樣經(jīng)預(yù)處理后的平均光譜如圖5所示。從圖5中可以看出，經(jīng)過SNV、MSC和FD處理后的光譜數(shù)據(jù)均有效改善了光譜基線漂移的現(xiàn)象，這3類預(yù)處理方法中，經(jīng)過MSC和SNV預(yù)處理后的植物性樣品的光譜趨勢與原始光譜相似，泥石的光譜趨勢發(fā)生了明顯改變。FD處理增強(qiáng)了原本微小的特征峰，但各類物質(zhì)的可分性仍然不強(qiáng)。因此，需要進(jìn)一步結(jié)合進(jìn)行數(shù)據(jù)處理和結(jié)合分類模型進(jìn)行分析。

2.3 純棉及其3類雜質(zhì)的光譜曲線PCA分析

對棉及其3類雜質(zhì)的原始平均光譜曲線以及預(yù)處理后的平均光譜進(jìn)行PCA變換，對應(yīng)的前兩個主成分的散點圖如圖6所示。從圖6中可知，原始光譜和經(jīng)過FD處理的平均光譜在經(jīng)過PCA降維后，在前兩個主成分形成的新坐標(biāo)系中，其中純棉和泥石的可區(qū)分性較大，破籽和棉枝葉的分布有一定的重疊狀態(tài)，總體上純棉及3類雜質(zhì)的分布顯示出一定的聚類分布效應(yīng)，具有一定可分性。經(jīng)過MSC和SNV處理的平均光譜在經(jīng)過PCA降維后，在前兩個主成分形成的新坐標(biāo)系中，有泥石一種物質(zhì)看出一定可分性，其他3類物質(zhì)的分布重疊狀態(tài)較嚴(yán)重，分類效果較差。

隨著主成分的增加，累計貢獻(xiàn)率也不斷增加，當(dāng)主成分個數(shù)為8時，原始光譜及不同預(yù)處理后的平均光譜經(jīng)PCA后的累計貢獻(xiàn)率均達(dá)到85%以上，說明這8個主成分因子已經(jīng)能夠代表原光譜數(shù)據(jù)的大部分信息［16］，可以用這8個主成分因子建立模型。原始光譜及不同預(yù)處理方法對應(yīng)的主成分累計貢獻(xiàn)率如表2所示。

綜上所述，對棉及其3類雜質(zhì)的原始平均光譜以及預(yù)處理后的平均光譜進(jìn)行PCA降維后能夠看出不同種類物質(zhì)間具有一定可分性，但是分類的效果一般，仍需結(jié)合后續(xù)的鑒別模型提高純棉及其3類雜質(zhì)的分類判別精度和穩(wěn)定性。

2.4 棉雜質(zhì)鑒別分類模型的建立及優(yōu)化

將無監(jiān)督的PCA與有監(jiān)督的DA結(jié)合，建立純棉及其雜質(zhì)的判別模型。對原始平均光譜曲線和預(yù)處理后的平均光譜曲線經(jīng)過PCA變換后，提取前8個主成分，并在所有樣本中隨機(jī)選取90個作為訓(xùn)練集，剩余30個作為測試集，建立判別分析模型，結(jié)果如表3所示。

在經(jīng)過不同預(yù)處理后建立的判別模型中，無預(yù)處理和經(jīng)過FD預(yù)處理的棉及其雜質(zhì)分類準(zhǔn)確率最高，訓(xùn)練集和測試集準(zhǔn)確率均達(dá)到了100%。經(jīng)過MSC校正預(yù)處理后的分類效果最差，訓(xùn)練集和測試集準(zhǔn)確率分別為97%和90%。

綜上所述，經(jīng)過PCA降維處理后能夠看出棉和其他3類雜質(zhì)之間具有一定的可分性，在以PCA降維后前8個主成分作為因子進(jìn)行判別分析，建立的4類分類模型（RAW-PCA-DA、MSC-PCA-DA、FD-PCA-DA、SNV-PCA-DA）中，MSC-PCA-DA算法的分類效果最差，未經(jīng)預(yù)處理和FD預(yù)處理后的模型分類效果最好，訓(xùn)練集和測試集準(zhǔn)確率均達(dá)到100%。說明以未經(jīng)任何預(yù)處理的原始數(shù)據(jù)建立PCA-DA模型已經(jīng)達(dá)到了極高的鑒別精度，MSC和SNV預(yù)處理方法的引入反而降低了模型的鑒別精度，這兩種預(yù)處理方法并不適用于原棉雜質(zhì)的檢測，可能在放大了物質(zhì)光譜曲線差異的同時也放大了部分檢測誤差。

3 結(jié)論

對原棉進(jìn)行除雜并分離得到純棉、棉枝葉、破籽和泥石4類物質(zhì)，在高光譜成像系統(tǒng)中采集高光譜圖像，提取并分析4類物質(zhì)的高光譜數(shù)據(jù)及特征，采用MSC、SNV和FD作為數(shù)據(jù)預(yù)處理方法，采用PCA進(jìn)行數(shù)據(jù)降維及可區(qū)分性研究，結(jié)合主成分個數(shù)的優(yōu)選建立判別分析模型，建立了原棉雜質(zhì)檢測模型，并對比分析所建立的不同檢測模型的分類效果。得出結(jié)論如下：

a）MSC、SNV和FD預(yù)處理方法對光譜的預(yù)處理效果良好，上述預(yù)處理方法都能實現(xiàn)光譜基線漂移的校正，但是不同預(yù)處理方法取得的效果并不相同，F(xiàn)D取得的效果最好，MSC和SNV取得的效果相似。

b）利用PCA對光譜進(jìn)行降維，能夠解決高光譜數(shù)據(jù)信息量大，維度高的問題，無預(yù)處理、MSC、SNV和FD預(yù)處理后前8個主成分累計貢獻(xiàn)率分別達(dá)到99.98%、99.03%、98.58%和85.16%，說明這8個主成分因子已經(jīng)能夠代表原光譜數(shù)據(jù)的大部分信息，適用于作為因子建立雜質(zhì)分類模型。

c）不同的光譜預(yù)處理方法對應(yīng)的前8個主成分因子建立的分類判別模型（RAW-PCA-DA、MSC-PCA-DA、FD-PCA-DA、SNV-PCA-DA）效果較好，其中無預(yù)處理和經(jīng)過FD預(yù)處理后的分類判別模型效果最好，在隨機(jī)選取的90個訓(xùn)練樣本和30個測試樣本中，分類準(zhǔn)確率均達(dá)到了100%，采用MSC和標(biāo)SNV與處理后的分類模型準(zhǔn)確率分別達(dá)到90%和93%。

總的來說，利用原棉及其雜質(zhì)的高光譜圖像，結(jié)合相關(guān)光譜預(yù)處理方法和分類算法，能夠?qū)兠藜捌潆s質(zhì)進(jìn)行有效的分類判別。將高光譜成像技術(shù)圖像維度的數(shù)據(jù)和光譜維度數(shù)據(jù)的進(jìn)一步結(jié)合并應(yīng)用于棉雜質(zhì)檢測中具備較大發(fā)展?jié)摿?，是后繼工作的重點。通過該方法的建立，能夠快速地通過采集的高光譜圖像對待測棉花試樣的雜質(zhì)含量進(jìn)行評定，實現(xiàn)棉花雜質(zhì)的有效鑒別。

參考文獻(xiàn)：

［1］吳笛， 張愛萍. 基于協(xié)整模型兵團(tuán)棉花價格影響因素分析［J］. 合作經(jīng)濟(jì)與科技， 2023（21）： 67-69.

WU Di， ZHANG Aiping. Analysis on influencing factors of cotton price in corps based on co-integration model［J］. Co-Operative Economy amp; Science， 2023（21）： 67-69.

［2］于紅彬， 夏彬， 王澤武. 基于圖像處理的棉花表面雜質(zhì)自動識別［J］. 上海紡織科技， 2020， 48（6）： 17-19.

YU Hongbin， XIA Bin， WANG Zewu. Automatic identifi-cation of cotton surface impurities based on image proces-sing［J］. Shanghai Textile Science amp; Technology， 2020， 48（6）： 17-19， 64.

［3］張志強(qiáng)， 張?zhí)t， 刁琦， 等. 一種改進(jìn)GA神經(jīng)網(wǎng)絡(luò)棉花雜質(zhì)檢測算法［J］. 電子設(shè)計工程， 2017， 25（1）： 22-26.

ZHANG Zhiqiang， ZHANG Taihong， DIAO Qi， et al. A cotton impurity detection algorithm based on improved genetic algorithm［J］. Electronic Design Engineering， 2017， 25（1）： 22-26.

［4］WANG H P， LI H. Classification recognition of impurities in seed cotton based on local binary pattern and gray level co-occurrence matrix［J］. Transactions of the Chinese Society of Agricultural Engineering， 2015， 31（3）： 236-241.

［5］田昊， 王維新， 畢新勝， 等. 基于圖像處理的機(jī)采棉雜質(zhì)提取算法［J］. 江蘇農(nóng)業(yè)科學(xué)， 2014， 42（1）： 366-368.

TIAN Hao， WANG Weixin， BI Xinsheng， et al. Impurity extraction algorithm of machine-picked cotton based on image processing［J］. Jiangsu Agricultural Sciences， 2014， 42（1）： 366-368.

［6］郭俊先， 饒秀勤， 成芳， 等. 近紅外光譜用于皮棉雜質(zhì)含量預(yù)測和分類的研究［J］. 光譜學(xué)與光譜分析， 2010， 30（3）： 649-653.

GUO Junxian， RAO Xiuqin， CHENG Fang， et al. Research on the trash content measurement and classifi-cation of ginned cotton by using NIR spectroscopy technique［J］. Spectroscopy and Spectral Analysis， 2010， 30（3）： 649-653.

［7］HAN J， GUO J， ZHANG Z， et al. The rapid detection of trash content in seed cotton using near-infrared spectroscopy combined with characteristic wavelength selection［J］. Agriculture， 2023， 13（10）： 1928.

［8］常金強(qiáng)， 張若宇， 龐宇杰， 等. 高光譜成像的機(jī)采籽棉雜質(zhì)分類檢測［J］. 光譜學(xué)與光譜分析， 2021， 41（11）： 3552-3558.

CHANG Jinqiang， ZHANG Ruoyu， PANG Yujie， et al. Classification of impurities in machine-harvested seed cotton using hyperspectral imaging［J］. Spectroscopy and Spectral Analysis， 2021， 41（11）： 3552-3558.

［9］郭俊先， 李雪蓮， 黃華， 等. 基于可見短波近紅外高光譜圖像的梳棉雜質(zhì)關(guān)鍵波長的優(yōu)選［J］. 新疆農(nóng)業(yè)科學(xué)， 2016， 53（2）： 352-358.

GUO Junxian， LI Xuelian， HUANG Hua， et al. Wave-lengths selection of trashes detection in combed cotton using Hyper-spectral imaging at visible and short-wave near infrared wavelength range［J］. Xinjiang Agricultural Sciences， 2016， 53（2）： 352-358.

［10］ZHANG C， LI T， LI J. Detection of impurity rate of machine-picked cotton based on improved canny operator［J］. Electronics， 2022， 11（7）： 974.

［11］周瑞清. 基于光譜成像技術(shù)的大麥病害早期檢測及其可視化研究［D］. 杭州： 浙江大學(xué)， 2020： 41-45.

ZHOU Ruiqing. Study on Early Detection and Visuali-zation of Barley Diseases Based on Spectral Imaging Technology［D］. Hangzhou： Zhejiang University， 2020： 41-45.

［12］陳小榮. 基于近紅外光譜技術(shù)的涌泉蜜桔品質(zhì)檢測及研究［D］. 溫州： 溫州大學(xué)， 2022： 15-18.

CHEN Xiaorong. Quality Detection and Research of Yongquantangerine Based on Near Infrared Spectroscopy Technology［D］. Wenzhou： Wenzhou University， 2022： 15-18.

［13］蒲姍姍， 鄭恩讓， 陳蓓. 基于1D-CNN的近紅外光譜分類算法研究［J］. 光譜學(xué)與光譜分析， 2023， 43（8）： 2446-2451.

PU Shanshan， ZHENG Enrang， CHEN Bei. Research on A classification algorithm of near-infrared spectroscopy based on 1D-CNN［J］. Spectroscopy and Spectral Analysis， 2023， 43（8）： 2446-2451.

［14］邵小宇， 江龍發(fā)， 章明， 等. 近紅外光譜技術(shù)在油茶籽粕檢測中的應(yīng)用［J］. 紅外， 2023， 44（9）： 38-45.

SHAO Xiaoyu， JIANG Longfa， ZHANG Ming， et al. Application of near-infrared spectroscopy in the detection of oil-tea camellia seed meal［J］. Infrared， 2023， 44（9）： 38-45.

［15］吳新生， 謝益民. 植物纖維的主要成分在近紅外光譜吸收上的差異［J］. 計算機(jī)與應(yīng)用化學(xué)， 2011， 28（3）： 279-282.

WU Xinsheng， XIE Yimin. Difference of near-infrared absorption of main components in plant fibers［J］. Com-puters and Applied Chemistry， 2011， 28（3）： 279-282.

［16］王文博， 陳秀芝. 多指標(biāo)綜合評價中主成分分析和因子分析方法的比較［J］. 統(tǒng)計與信息論壇， 2006，21（5）： 19-22.

WANG Wenbo， CHEN Xiuzhi. Comparison of principal component analysis with factor analysis in comprehensive multi-indicators scoring［J］. Statistics amp; Information Forum， 2006， 21（5）： 19-22.

Cotton impurity detection based on hyperspectral imaging technology

WU" Youri1，" JIN" Xiaoke1，" FENG" Jianqiang2，" ZHANG" Huifang3，" QIU" Yingjie1，"YANG" Juanya2，" CONG" Mingfang3，" ZHU" Chengyan1

（1.College of Textile Science and Engneering （International Institute of Silk）， Zhejiang Sci-Tech University，

Hangzhou 310018， China; 2.Huzhou Institute of Quality and Technical Supervision and Inspection，Huzhou 313000， China; 3.Zhejiang Light Industrial Products Inspection and Research Institute，Hangzhou 310018， China）

Abstract：

Cotton is an important economic crop. However， the impurity content of cotton will have an impact on the cotton ginning and spinning effects， ultimately affecting the quality of cotton products such as yarn and fabrics. The impurity content of cotton is one of the main indicators for cotton grading and pricing， so the detection of cotton impurities is meaningful and valuable in practical application. The research on cotton impurity detection is rich in content and diverse in methods， mainly including hand selection， image methods， and spectral methods. Hyperspectral imaging technology was first applied in the field of remote sensing， and in recent years， it has been sprouting up in cotton impurity detection. In order to detect and identify cotton impurities， the unginned cotton was firstly picked by machine; the cotton fibers were then rolled down from the unginned cotton and impurities were removed to get the raw cotton. Then， the raw cotton was purified again and separated to obtain four types of substances： pure cotton， cotton branches and leaves， broken seeds， and mudstone. Each sample weighed 10g， with 30 samples for each substance， and their hyperspectral images were collected in the hyperspectral imaging system. Black-and-white plate correction and smoothing processing were applied to the collected hyperspectral images， then the region of interest was selected and spectral data were extracted. The spectra of the same substance were averaged， and the standard spectral curve of the corresponding substance was obtained and analyzed. By using three methods of multiplicative scatter correction （MSC）， standard normal variate transformation （SNV）， and first derivative （FD） to preprocess the extracted spectra of pure cotton and three types of impurities， the paper analyzed the effects of different preprocessing methods. Principal component analysis was used to reduce the dimensionality of all original spectra and preprocessed spectra of the samples. The top eight principal components were selected as factors based on cumulative contribution rate to establish a discriminant analysis model and determine the optimal impurity identification and classification model. The results showed that the trends of spectral curves of pure cotton， cotton branches and leaves， and broken seeds were similar， while the spectral curves of mudstone were flat and significantly different from the other three types of spectra. The above three methods could effectively eliminate baseline drift in the spectral curves， making the spectra smoother. Spectral trends preprocessed by MSC and SNV were similar. The FD preprocessing amplified the original small characteristic peaks， making them more prominent. Dimensionality reduction by principal component analysis （PCA） could effectively solve the problem of huge information content and wide spectral bands in hyperspectral data. When the number of principal components reached eight， the cumulative contribution rates of the original spectrum and the three preprocessed spectra could all reach 85%; the training sets'accuracy of the discriminant analysis model corresponding to the original spectrum and three spectra preprocessed by MSC， SNV， and FD was 100%， 96.67%， 98.89%， and 100%， respectively. The accuracy of the test sets was 100%， 90%， 93%， and 100%， respectively. In conclusion， hyperspectral imaging technology can effectively detect and identify impurities in raw cotton.

Keywords：

cotton impurities; hyperspectra; spectral preprocessing; principal component analysis; discriminant analysis

基金項目：浙江省市場監(jiān)督管理局“雛鷹計劃”項目（CY2022224、CY2023324）；浙江省教育廳一般科研項目（Y202250774）；浙江理工大學(xué)科研啟動基金項目（19012135-Y）

作者簡介：吳友日（1998—），男，浙江溫州人，碩士研究生，主要從事高光譜技術(shù)在紡織領(lǐng)域應(yīng)用方面的研究。

通信作者：祝成炎，E-mail：cyzhu@zstu.edu.cn