高光譜成像技術在棉花雜質檢測中的應用

高光譜成像技術最早與紡織領域有關的研究是從棉花雜質檢測開始的，研究對象為籽棉、皮棉、梳棉表面以及內部的多種雜質，雜質包括普通雜質、毛發、丙綸絲、有色線、地膜等無色、淺色和深色異性物質。

通過分析棉花雜質檢測相關的文獻，對其中的研究方法進行了整理，見表1，這些研究方法也可以作為參考應用到紡織其他檢測領域。

在籽棉雜質檢測中，常金強等對120個機采籽棉樣本的圖像使用主成分分析（PCA）的方法對數據進行降維，通過3種有監督的分類判別算法建立判別模型，結果顯示線性判別分析（LDA）模型結果最優，可以有效識別植物性雜質，但是對地膜的識別還存在誤判。

Wei等[9]以含有5種白色異性纖維的籽棉為研究對象，光譜采集范圍為400-1000 nm，對選取的子區域通過最小噪聲分離（MNF）方法降維、去噪，通過機器視覺評價確定最佳分割圖像，試驗表明該方法能夠對白色異性纖維進行有效識別，識別率達91%。針對籽棉中地膜難以有效識別的問題，倪超等[2提出了一種新的算法，首先采集籽棉高光譜圖像，光譜范圍在1000-2 500nm，然后運用深度學習中的自編碼器模型對數據進行特征提取和降維，然后對樣本實現初步分類，最后將結果分類為地膜和非地膜，該算法大大提高了對地膜的識別率，基本滿足了實際生產需求。

在皮棉表面雜質檢測中，劉巍等對高光譜反射、透射和反透射3種不同的成像模式進行研究，對比雜質在皮棉中的識別率，結果表明采用透射成像模式雜質的識別率最高。

郭俊先等先獲取不同異性纖維的最佳波段圖像，然后采用像素級簡單的圖像融合進行識別，結果表明對多類難檢異性纖維共存的檢測是可以實現的，針對白色豬毛和透明丙綸絲無法識別的問題，提出可以采用結合全波段進行像素判別分類的解決方法。

Mustafic等利用高光譜熒光成像作為異性物質分化的補充工具，首先利用基于興趣區域的方法提取皮棉和7種異物的平均光譜，然后采用主成分分析（PCA）方法，從425 ~700 nm 范圍內的113個波長中篩選出最優特征，對所選波長進行線性判別分析（LDA），所有樣品的平均分類率為90%。

張航等]對混入皮棉中的地膜識別進行了研究，首先提取地膜的平均光譜數據，使用偏最小二乘回歸分析（PLSR）方法優選出560.3、673.9.716.9 nm 和 798.8 nm 4個最優波段，然后提取4個波段對應的圖像，分別進行兩次圖像融合，并移除小目標得到最終圖像，該方法能較好地完成對地膜圖像的分割。

在梳棉表面雜質檢測中，Zhang等23用液晶可調諧濾波器高光譜成像技術檢查棉絨表面異物，光譜采集范圍為900~1 700 nm，用線性判別分析方法對不同類型的異物和棉絨進行光譜特征分類，采用留一驗證和四倍交叉驗證的分類準確率分別為96.5%和95.1%。

在梳棉內部雜質檢測中，郭俊先等針對棉網1~4 mm深度內的雜質進行研究，采用3種不同的方法來提取雜質的關鍵波長，通過對比分析，采用與像素分類器結合的包裝方法選擇的最優波長集合，能夠識別大部分普通雜質，但是對白色豬毛和透明丙綸絲的識別率還有待提高。

對于梳棉內部更深處的雜質，郭俊先等[27]在波長460-900 nm 范圍內，采用像素分類分割圖像處理，利用二次判別分析分類像素，對雜質和棉網進行準確分類，但是對比度小的像素分類較差如白色丙綸絲，且隨著棉網深度的增加檢測效率下降較快。

Zhang等采用透射模式對棉絨內常見異物進行檢測和分類，對獲取的圖像，利用最小噪聲分數旋轉獲得組分圖像，從141個波長波段中識別出最佳光譜波段，利用 LDA 和 SVM分別在光譜水平和像素水平對異物進行分類，使用選定的最佳波長，光譜和圖像的分類精度達到95%以上。

Jiang等使用最小冗余最大關聯算法作為特征選擇方法，篩選出最適合異物分類的波長，通過比較使用LDA、SVM 和ANN的分類性能來評估所選波長的通用性，共選擇12個波長作為異物分類的最佳特征集，LDA、SVM 和 ANN的平均分類率分別為91.25%.86.67%和 86.67%，該研究探索了一種高光譜成像最佳波長選擇的新方法，提高了分類精度和速度。

?

?

?

?

?