應(yīng)用方向：該文獻(xiàn)展示了高光譜成像技術(shù)在紡織品水分含量快速、無(wú)損檢測(cè)中的重要應(yīng)用潛力。研究利用近紅外高光譜圖像獲取滌綸織物在不同含水狀態(tài)下的光譜數(shù)據(jù)，通過(guò)分析特征峰位置、面積及半高寬（FWHM）等光譜特征參數(shù)，構(gòu)建與水分變化相關(guān)的定量模型。研究表明高光譜成像結(jié)合特征提取與智能建模算法，可廣泛應(yīng)用于紡織品品質(zhì)控制、在線(xiàn)水分監(jiān)測(cè)與智能制造領(lǐng)域，為紡織工業(yè)提供高效、可視化、智能化的檢測(cè)解決方案。
背景：
聚酯是全球應(yīng)用*廣泛的合成纖維，其質(zhì)量檢測(cè)受到制造商、消費(fèi)者和政府部門(mén)的高度關(guān)注。其中，水分含量是關(guān)鍵指標(biāo)之一，直接影響聚酯面料的加工性能、機(jī)械與熱學(xué)特性、電導(dǎo)率等。目前常用的烘干法雖精度高，但存在檢測(cè)延遲、無(wú)法實(shí)現(xiàn)在線(xiàn)檢測(cè)等問(wèn)題；而電阻法雖快捷低成本，但受溫濕度和織物厚度影響較大，精度不足。隨著現(xiàn)代紡織工業(yè)對(duì)高效、精準(zhǔn)檢測(cè)需求的提升，傳統(tǒng)檢測(cè)手段已難以滿(mǎn)足要求。高光譜成像技術(shù)因其非接觸、快速、可在線(xiàn)分析等優(yōu)勢(shì)，逐漸在農(nóng)業(yè)、食品、生物等領(lǐng)域展現(xiàn)出潛力，但在織物水分檢測(cè)領(lǐng)域尚處于發(fā)展初期，且現(xiàn)有模型多建立在單一規(guī)格織物基礎(chǔ)上，存在推廣適用性差、變量選取與建模方法有待優(yōu)化等問(wèn)題。因此，亟需開(kāi)發(fā)一種基于高光譜成像的、適用于多規(guī)格織物的高精度水分檢測(cè)新方法。
作者信息： 祝成炎，浙江理工大學(xué)材料與紡織學(xué)院，博士生導(dǎo)師
期刊來(lái)源：Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy
研究?jī)?nèi)容
作者在920.8-2528.6 nm波長(zhǎng)范圍內(nèi)獲取了不同規(guī)格、不同含水率的滌綸織物的高光譜圖像，分析了含水率對(duì)滌綸織物光譜特性的影響，選擇并確定了面積和半高寬以滌綸織物在1363和1890 nm波長(zhǎng)附近的特征峰為光譜表征變量，建立了基于BP神經(jīng)網(wǎng)絡(luò)的織物水分檢測(cè)模型，驗(yàn)證了高光譜成像和BP神經(jīng)網(wǎng)絡(luò)用于滌綸織物水分檢測(cè)的可行性和準(zhǔn)確性。
實(shí)驗(yàn)設(shè)計(jì)
本研究選取了三種不同規(guī)格的聚酯織物，分別是厚度為0.35毫米（290克/平方米）、0.5毫米（380克/平方米）和0.8毫米（450克/平方米）的白色聚酯織物。樣品的尺寸為20×20厘米，共收集了150組不同規(guī)格和水分含量的樣品。通過(guò)自然蒸發(fā)和烘箱干燥來(lái)調(diào)節(jié)水分含量。
本研究中使用的高光譜成像系統(tǒng)是由江蘇雙利合譜科技有限公司設(shè)計(jì)和開(kāi)發(fā)的GaiaSorter-Dual全波段高光譜成像系統(tǒng)，如圖1所示。該成像系統(tǒng)采用推掃式（push-broom）成像方式，光譜范圍為920.8–2528.6納米，光譜分辨率為5.7納米，有效狹縫長(zhǎng)度為9.6毫米，狹縫寬度為30微米，包含256個(gè)光譜通道，像素尺寸為30×30微米。圖像采集速度設(shè)置為3厘米/秒，曝光時(shí)間為6毫秒，幀率為70赫茲。
圖1. GaiaSorter-Dual全波段高光譜成像系統(tǒng)。
研究方法
由于多種因素的影響，例如外部光照強(qiáng)度、高光譜系統(tǒng)相機(jī)的暗電流以及其他來(lái)源，采集到的高光譜圖像信息可能包含大量噪聲信號(hào)。因此，在獲取聚酯織物的光譜圖像之前，在實(shí)驗(yàn)環(huán)境中采集標(biāo)準(zhǔn)板和背景板的光譜圖像，以校正聚酯織物光譜圖像的反射率。此外采用多散射校正（MSC）、標(biāo)準(zhǔn)正態(tài)變量（SNV）以及一階導(dǎo)數(shù)預(yù)處理方法消除基線(xiàn)漂移等因素對(duì)光譜曲線(xiàn)的干擾。采用半高全寬（FWHM）評(píng)估和篩選水分相關(guān)的有效波段，F(xiàn)WHM是用來(lái)衡量高光譜數(shù)據(jù)中特征吸收峰寬度的重要參數(shù)之一，反映了譜線(xiàn)的分布范圍和吸收強(qiáng)度變化的銳利程度。
在模型建立方面，基于BP神經(jīng)網(wǎng)絡(luò)檢測(cè)聚酯織物的水分含量，BP神經(jīng)網(wǎng)絡(luò)的整體結(jié)構(gòu)如圖2所示。
圖2. BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖
結(jié)果
在本研究中，通過(guò)高光譜成像系統(tǒng)獲取了150組不同規(guī)格和不同水分含量的聚酯織物的高光譜圖像。在本節(jié)中，我們對(duì)三種不同厚度條件下不同水分含量的聚酯織物的光譜曲線(xiàn)進(jìn)行了特征分析，并研究了這些光譜曲線(xiàn)之間的形態(tài)差異。這些聚酯織物的光譜曲線(xiàn)如圖3所示。
圖3. 聚酯織物的光譜曲線(xiàn)
光譜特征通常通過(guò)特征峰的數(shù)量、位置、強(qiáng)度和形狀來(lái)表達(dá)。圖3(a)表明，在920.8–2528.6納米的波長(zhǎng)范圍內(nèi)，聚酯織物表現(xiàn)出八個(gè)明顯的特征峰。研究表明，隨著水分含量的增加，聚酯織物在1363 nm和1890 nm附近的特征峰面積增大，且形狀發(fā)生改變（圖4）。因此，確定了1363 nm和1890 nm附近的特征峰以供進(jìn)一步研究。計(jì)算這兩個(gè)峰的面積和FWHM并將其作為光譜特征變量。
圖4. 光譜特征變量。
基于1363 nm和1890 nm特征峰面積和半高全寬（FWHM）的模型回歸圖如圖5所示。通過(guò)比較以1363 nm特征峰的面積和FWHM作為光譜特征變量所開(kāi)發(fā)的模型與以相同變量選擇的1890 nm所開(kāi)發(fā)的模型，可以觀察到后者表現(xiàn)出更優(yōu)的性能。以1363 nm特征峰的面積和FWHM作為光譜特征變量所開(kāi)發(fā)的模型在測(cè)試集上的R值為0.97248，均方誤差（MSE）為0.04848%。相比之下，以1890 nm特征峰的面積和FWHM作為光譜特征變量所開(kāi)發(fā)的模型在測(cè)試集上的R值為0.99629，MSE為0.00695%。
當(dāng)模型同時(shí)使用1363 nm和1890 nm兩個(gè)特征峰的面積和半高寬（FWHM）作為光譜特征變量時(shí)，訓(xùn)練集、驗(yàn)證集和測(cè)試集的MSE值均低于0.0015%，表明模型整體誤差較小。測(cè)試集的相關(guān)系數(shù)（R值）達(dá)到0.99952，MSE為0.00090%（RMSE為0.2998%，即測(cè)試集中水分含量的預(yù)測(cè)誤差約為0.2998 wt%）。MSE與R值綜合表明，使用1363 nm和1890 nm特征峰的面積和FWHM作為光譜特征變量構(gòu)建的模型具有*佳的性能。其相關(guān)性強(qiáng)（R值大于0.999），誤差低（MSE小于0.0015%，RMSE小于0.3873%），顯示該模型預(yù)測(cè)精度高?？傮w而言，在以1890 nm單一變量建模的基礎(chǔ)上，進(jìn)一步引入1363 nm特征峰的面積和FWHM可進(jìn)一步提高相關(guān)性并降低誤差。
圖5. 基于1363 nm和1890 nm特征峰面積及半高全寬（FWHM）的模型回歸圖
此外，為比較不同建模方法對(duì)模型性能的影響，研究分別基于PLS與BP神經(jīng)網(wǎng)絡(luò)方法，以1363 nm和1890 nm兩個(gè)特征峰的面積與FWHM為特征變量構(gòu)建水分檢測(cè)模型。結(jié)果顯示，將建模方法從BP神經(jīng)網(wǎng)絡(luò)更換為PLS后，模型R值從0.999下降至0.980，RMSE顯著上升至2.045%。
綜上，采用1363 nm和1890 nm特征峰的面積與FWHM作為光譜特征變量，并選用BP神經(jīng)網(wǎng)絡(luò)作為建模方法，可將滌綸織物水分含量檢測(cè)的預(yù)測(cè)誤差控制在約0.3 wt%（檢測(cè)范圍為0–30%）以?xún)?nèi)，表現(xiàn)出*高的可行性與準(zhǔn)確性。
結(jié)論
本研究旨在驗(yàn)證將高光譜成像技術(shù)與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，用于定量檢測(cè)聚酯織物含水率的可行性與準(zhǔn)確性。研究中采集了不同規(guī)格和含水率的聚酯織物樣本的高光譜圖像，分析了其光譜曲線(xiàn)特征，并探討了含水率變化對(duì)聚酯織物光譜曲線(xiàn)的影響。通過(guò)對(duì)純水的近紅外吸收曲線(xiàn)以及聚酯織物光譜曲線(xiàn)與含水率參數(shù)之間關(guān)系的分析，確定了光譜特征變量的位置。研究采用特征峰面積與半高寬（FWHM）代替?zhèn)鹘y(tǒng)的特征波長(zhǎng)，構(gòu)建基于高光譜圖像與BP神經(jīng)網(wǎng)絡(luò)的含水率檢測(cè)模型，并對(duì)該模型進(jìn)行了驗(yàn)證。研究得出以下詳細(xì)結(jié)論：
1. 水分含量和織物規(guī)格（即厚度）對(duì)聚酯織物光譜曲線(xiàn)的整體反射強(qiáng)度有影響。然而，水分含量的變化也會(huì)改變特征峰的位置和形狀。隨著水分含量的增加，聚酯織物在1626 nm處的*顯著特征峰面積減小，而靠近1363 nm和1890 nm波長(zhǎng)的特征峰的面積和寬度持續(xù)增加。主要原因在于，O–H鍵在1450 nm和1940 nm附近的近紅外光區(qū)域因伸縮振動(dòng)和變角振動(dòng)而吸收光線(xiàn)，從而隨著水分含量的增加，導(dǎo)致1363 nm和1890 nm波長(zhǎng)附近的特征峰的高度、寬度和面積增加。
2. 通過(guò)分析純水的近紅外吸收曲線(xiàn)以及聚酯織物光譜曲線(xiàn)與水分含量參數(shù)之間的關(guān)系，確定了光譜特征變量的波長(zhǎng)范圍。基于上述分析，1363 nm和1890 nm波長(zhǎng)處的特征峰面積和FWHM被認(rèn)為是具有代表性的光譜特征變量。因此，從當(dāng)前光譜參數(shù)中選取并計(jì)算了這些新的光譜特征變量。此外，這一過(guò)程降低了模型的計(jì)算復(fù)雜性，有效提取了特征峰的整體形狀信息，并提高了實(shí)際檢測(cè)的效率。
3. 基于高光譜成像和BP神經(jīng)網(wǎng)絡(luò)的聚酯織物水分含量檢測(cè)模型，以1363 nm和1890 nm波長(zhǎng)處的特征峰面積和FWHM作為光譜特征變量，被證明是高效且能夠進(jìn)行準(zhǔn)確預(yù)測(cè)的。該模型對(duì)測(cè)試集的R值為0.99952，均方誤差（MSE）值僅為0.00090%，均方根誤差（RMSE）值為0.2998%，這意味著水分含量檢測(cè)誤差低于0.3 wt%。在所使用的變量中，1890 nm特征峰的面積和FWHM是檢測(cè)聚酯織物水分含量的最重要的光譜特征變量。
該方法為紡織行業(yè)快速且精準(zhǔn)的水分含量檢測(cè)提供了一種有效手段。
關(guān)于雙利合譜
雙利合譜深耕高光譜技術(shù)領(lǐng)域，憑借自主研發(fā)實(shí)力打造了覆蓋多場(chǎng)景的高光譜產(chǎn)品矩陣——從適配空中作業(yè)的無(wú)人機(jī)高光譜成像系統(tǒng)、機(jī)載高光譜相機(jī)，到便于現(xiàn)場(chǎng)檢測(cè)的便攜式高光譜儀、便攜式高光譜分析儀，再到聚焦地面觀測(cè)的地物高光譜成像系統(tǒng)，以及針對(duì)特定波段與場(chǎng)景的高光譜相機(jī)、近紅外高光譜相機(jī)、短波紅外高光譜、顯微高光譜成像系統(tǒng)，全*位滿(mǎn)足不同領(lǐng)域的精準(zhǔn)光譜探測(cè)需求。
這些高光譜產(chǎn)品廣泛應(yīng)用于農(nóng)業(yè)遙感、環(huán)境監(jiān)測(cè)、地質(zhì)勘探、生物醫(yī)療、工業(yè)質(zhì)檢等場(chǎng)景，以高分辨率、高靈敏度的核心性能，助力用戶(hù)高效獲取光譜數(shù)據(jù)、挖掘物質(zhì)成分信息。持續(xù)關(guān)注雙利合譜，獲取更多高光譜產(chǎn)品動(dòng)態(tài)、技術(shù)進(jìn)展與行業(yè)應(yīng)用案例，讓自主研發(fā)的高光譜技術(shù)為您的科研探索與產(chǎn)業(yè)升級(jí)賦能！
© 2019 版權(quán)所有：江蘇雙利合譜科技有限公司 備案號(hào)：蘇ICP備2021046114號(hào)-3 技術(shù)支持：化工儀器網(wǎng) GoogleSitemap 管理登陸
在線(xiàn)客服