梁慧芳，张惠芳，从明芳，陈泽潭，孙 冲
(浙江省轻工业品质量检验研究院，杭州 310018)
纺织制品成分分析和色牢度检测是现代纺织领域质量控制的关键，也是纺织品常规的检测项目。纺织品成分分析有定性和定量两种方式，定性分析通常以查看纤维燃烧状态、显微镜下观察纤维形态为主；
定量分析采用化学溶解法、手工拆分法。这些方法过程复杂耗时长，测试时要对样品进行破坏，化学试剂对检测人员的身体健康和环境存在损害。基于近红外光谱的定量分析方法在2018年发布了行业标准，由于校正模型建立的复杂性和不同设备之间的不通用性，该技术在检测机构中的应用还不是很多。纺织品色牢度是与产品安全性能有关的重要指标之一，目前最常用的评级方法是目光评级法[1]，通过观察试验前后试样的颜色变化，通过对照标准灰卡来评级，检验人员上岗之前需要经过长时间的培训、目光校正，检测结果受检测人员的主观因素影响也比较大。
高光谱成像技术最早起源于高光谱遥感技术，其分辨率可达到2～3 nm数量级，融合了二维成像和光谱技术，具有波段多、通道连续等特点，可以同时获取待测物的空间及光谱信息[2-3]。经过近些年的快速发展，该技术已经在遥感监测[4]、食品品质及安全[5]、农作物病虫害监测[6]、医疗诊断[7]、航天领域[8]等有了大量的研究和应用，但是在纺织检测中的研究尚在起步阶段，一些研究在高校和科研机构进行，在纺织品成分分析和纺织品颜色测量研究方面也取得了一定的成果。本文对高光谱成像技术的成像原理、设备装置和数据处理方法进行了简单的介绍，对该技术在棉花杂质检测、纺织品成分分析及颜色测量等方面的研究进展进行了总结分析，并对该技术在纺织检测领域的研究应用提出了思路和方向。
1.1 高光谱成像原理
高光谱成像技术主要融合了光学、电子学、数字图像信息处理及计算机科学等技术，是一门新兴的无接触式检测技术[9]。其产生的图像具有空间和光谱两重信息，每个像素都保存相应位置的光谱信息，光谱也反映该特定像素的信息。高光谱成像一般有两种系统，一种是基于滤波片的成像系统，其装置主要由电荷耦合器件(CCD)摄像头和滤波片组成[10]；
另一种是基于图像光谱仪的高光谱图像系统，如 图1 所示，主要由CCD或相机、光谱仪、照明单元、采集控制及处理软件组成[5,11]。图像采集方式有逐点扫描式、线推扫式以及面帧式，目前应用最多的是线推扫式。图像光谱仪的核心部件是棱镜-光栅-棱镜(PGP)单元，并配备狭缝，在推扫过程中待测物一条窄带的反射光束通过PGP单元，被色散后投射到CCD探测器上，物体表面的多个条带光谱图像进行拼接，得到整个物体的高光谱图像[12]。光谱采集方式包含反射、透射、散射和荧光4种模式[13]，其光谱覆盖面包含紫外、可见光、近红外和中红外区域，所获波段信息量大、分辨率高、连续性强，可为待测物体属性分析与判断提供依据[14]。
图1 高光谱成像系统示意Fig.1 Schematic diagram of hyperspectral imaging system
1.2 高光谱图像数据分析
高光谱图像数据处理的分析方法有很多，一般的分析流程是对原始光谱信息进行校正和预处理之后进行降维，选择关键信息建立模型进行结果分析。
数据校正与预处理：原始高光谱图像信息是能量值，图像采集过程受外界光照强度、试样表面阴影等的影响较大，需要通过白板校正获取反射率或吸收率。图像预处理可以通过直方图均值化或主成分分析(Principle component analysis, PCA)，常用的光谱信息预处理方法[15-16]有平滑(Smoothing)、求导(Derivatives)、遗传算法(Genetic algorithm, GA)、归一化(Normalization, NOR)、标准正态变量变换(Standard normal variable transformation, SNV)和多元散射校正(Multiplicative scattering correction, MSC)等。经过数据校正和预处理，有助于提高高光谱的信噪比以及实现原始光谱数据的挖掘。
数据降维：对于图像信息，可以直接提取具有代表性的单一或几个波长范围内的图像，也可以采用主成分分析法、最小噪声分离法(Minimum noise fraction, MNF)、独立成分分析法(Independent components analysis, ICA)等获取关键的主成分图像，还可以采用波段比算法、差分算法等提取数个特征波长图像，计算获得新的图像。对于光谱信息，可以以全部目标像素或感兴趣区域的像素光谱平均后获得平均光谱信息，也可以提取每个像素的光谱信息用于像素分类分析[11]。
模型建立与分析：使用图像信息，可以采用各种图像处理技术对图像进行分割获取有效信息，提取相关特征参数建立模型。使用光谱信息，可以采用化学计量学方法如多元线性回归(Multiple linear regression, MLR)、主成分回归(Principal component regression, PCR)、偏最小二乘回归(Partial least squares regression, PLSR)、支持向量机(Support vector machine, SVM)、人工神经网络(Artificial neural network, ANN)等，建立定性或定量分析模型[11,15]。在样本集挑选时可以根据分析方法的不同来选择，如定性分析可以用随机挑选法、Kennard-Stone法等，定量分析中可以用含量梯度法和SPXY法等[17]。
2.1 棉花杂质检测
高光谱成像技术最早与纺织领域有关的研究是从棉花杂质检测开始的，研究对象为籽棉、皮棉、梳棉表面以及内部的多种杂质，杂质包括普通杂质、毛发、丙纶丝、有色线、地膜等无色、浅色和深色异性物质。通过分析棉花杂质检测相关的文献，对其中的研究方法进行了整理，见表1，这些研究方法也可以作为参考应用到纺织其他检测领域。
表1 高光谱图像数据分析方法Tab.1 Data analysis methods of hyperspectral image in literatures
在籽棉杂质检测中，常金强等[18]对120个机采籽棉样本的图像使用主成分分析(PCA)的方法对数据进行降维，通过3种有监督的分类判别算法建立判别模型，结果显示线性判别分析(LDA)模型结果最优，可以有效识别植物性杂质，但是对地膜的识别还存在误判；
Wei等[19]以含有5种白色异性纤维的籽棉为研究对象，光谱采集范围为400～1 000 nm，对选取的子区域通过最小噪声分离(MNF)方法降维、去噪，通过机器视觉评价确定最佳分割图像，试验表明该方法能够对白色异性纤维进行有效识别，识别率达91%。针对籽棉中地膜难以有效识别的问题，倪超等[20]提出了一种新的算法，首先采集籽棉高光谱图像，光谱范围在 1 000～2 500 nm，然后运用深度学习中的自编码器模型对数据进行特征提取和降维，然后对样本实现初步分类，最后将结果分类为地膜和非地膜，该算法大大提高了对地膜的识别率，基本满足了实际生产需求。
在皮棉表面杂质检测中，刘巍等[21]对高光谱反射、透射和反透射3种不同的成像模式进行研究，对比杂质在皮棉中的识别率，结果表明采用透射成像模式杂质的识别率最高；
郭俊先等[22]先获取不同异性纤维的最佳波段图像，然后采用像素级简单的图像融合进行识别，结果表明对多类难检异性纤维共存的检测是可以实现的，针对白色猪毛和透明丙纶丝无法识别的问题，提出可以采用结合全波段进行像素判别分类的解决方法；
Mustafic等[23]利用高光谱荧光成像作为异性物质分化的补充工具，首先利用基于兴趣区域的方法提取皮棉和7种异物的平均光谱，然后采用主成分分析(PCA)方法，从425～700 nm 范围内的113个波长中筛选出最优特征，对所选波长进行线性判别分析(LDA)，所有样品的平均分类率为90%；
张航等[24]对混入皮棉中的地膜识别进行了研究，首先提取地膜的平均光谱数据，使用偏最小二乘回归分析(PLSR)方法优选出560.3、673.9、716.9 nm和798.8 nm 4个最优波段，然后提取4个波段对应的图像，分别进行两次图像融合，并移除小目标得到最终图像，该方法能较好地完成对地膜图像的分割。
在梳棉表面杂质检测中，Zhang等[25]用液晶可调谐滤波器高光谱成像技术检查棉绒表面异物，光谱采集范围为900～1 700 nm，用线性判别分析方法对不同类型的异物和棉绒进行光谱特征分类，采用留一验证和四倍交叉验证的分类准确率分别为96.5%和95.1%。
在梳棉内部杂质检测中，郭俊先等[26]针对棉网1～4 mm深度内的杂质进行研究，采用3种不同的方法来提取杂质的关键波长，通过对比分析，采用与像素分类器结合的包装方法选择的最优波长集合，能够识别大部分普通杂质，但是对白色猪毛和透明丙纶丝的识别率还有待提高；
对于梳棉内部更深处的杂质，郭俊先等[27]在波长460～900 nm范围内，采用像素分类分割图像处理，利用二次判别分析分类像素，对杂质和棉网进行准确分类，但是对比度小的像素分类较差如白色丙纶丝，且随着棉网深度的增加检测效率下降较快；
Zhang等[28]采用透射模式对棉绒内常见异物进行检测和分类，对获取的图像，利用最小噪声分数旋转获得组分图像，从141个波长波段中识别出最佳光谱波段，利用LDA和SVM分别在光谱水平和像素水平对异物进行分类，使用选定的最佳波长，光谱和图像的分类精度达到95%以上；
Jiang等[29]使用最小冗余最大关联算法作为特征选择方法，筛选出最适合异物分类的波长，通过比较使用LDA、 SVM和ANN的分类性能来评估所选波长的通用性，共选择12个波长作为异物分类的最佳特征集，LDA、SVM和ANN的平均分类率分别为91.25%、86.67%和86.67%，该研究探索了一种高光谱成像最佳波长选择的新方法，提高了分类精度和速度。
2.2 纺织品成分分析
纺织品材料成分分析目前依据的标准主要有国内的FZ/T 01057—2007《纺织纤维鉴别试验方法》系列标准和GB/T 2910—2009《纺织品 定量化学分析》系列标准、美国的AATCC 20—2018(E2019): Test Method for Fiber Analysis: Qualitative和AATCC 20A—2020: Test Method for Fiber Analysis: Quanti-tative、欧洲的ISO 1833—2006: Textiles Quantitative chemical analysis系列标准等，其中的定量方法以化学溶解法和手工拆分法为主，显微镜法可以测定棉麻混纺、特种动物纤维和绵羊毛混纺等的混合比例，以上检测手段均为破坏性试验，检测过程复杂耗时长，化学试剂损害检测人员的身体健康，对环境污染大。市场的快速发展对检测企业的效率提出了更高的要求，为了检测过程的绿色环保，迫切需要把新技术新方法引入到检测领域。近红外光谱技术操作简单，检测过程快速、无损，该技术的发展也给纺织品的定性定量分析带来了新的测试方法，2018年近红外光谱法行业标准的发布更是让该技术得到了巨大的关注，也有机构研发了便携式的近红外纤维定性定量分析仪，但是在实际测试中对于印花、涂层以及分布不均匀的面料还不适用[30]，其检测结果的精确度也有待改进和提高，模型建立也比较复杂，所以该技术在检测机构中还没有得到推广应用。
高光谱成像技术以其独特优势得到了纺织品检测领域的关注，目前该研究还集中在高校中，祝成炎等[31]提出了一种鉴别方法，步骤为建立纺织品原料的高光谱数据库、采集待检样品数据、数据预处理、待检样品数据与数据库比对匹配和纺织品成分显示，可用于快速、无损地进行纺织品原料成分的定性定量。辛斌杰等[32]提出了一种纺织品材料识别的方法及系统，该方法以特征波长的标准波谱库建立分类器，提取图像的特征波长，通过分类器进行识别，得到待检纺织品的材料组成。
在单组分纤维的识别中，Jin等[33]利用高光谱成像系统提取了6类合成纤维的光谱特征，建立了主成分分析-线性判别分析模型，对不同颜色和结构的纤维化学成分进行了判别，其判别准确率为100%，表明了高光谱成像系统在合成纤维识别中的可行性；
在此基础上，金肖克等[17]又以常用的10类纺织品为鉴别目标，以一阶导数对原始数据进行预处理，用偏最小二乘判别分析模型对其成分种类进行鉴别，总体鉴别准确率达到了96.78%；
李佳平等[34]通过采集8种不同种类的纺织品高光谱图像，利用连续投影算法对波段进行筛选，然后基于最小二乘法支持向量机(LS-SVM)建立二类分类器，试验所用的验证集和测试集都可以正确识别；
在此基础上，Li等[35]对单组分织物的高光谱数据进行基于局部线性嵌入(LLE)、主成分分析(PCA)和局部保持投影(LPP)算法的降维，并将288个波长的原始数据进行压缩以保持典型的波长区域，然后将这些数据导入两个分类器(决策树分类器和KNN分类器)进行训练，并基于这些训练数据建立样本分类的识别模型，实验结果表明，所建立的识别模型能够正确识别所有的样本并且基于LPP模型和KNN分类算法的识别率和稳定性是最高的。以上研究证明高光谱成像技术用于纺织品材料的定性识别是可行的，为该技术在纺织品材料鉴别上的应用提供了理论和实践基础。
在单组分纤维材料定性识别的基础上，孙艺博[36]对涤棉织物的定量分析进行了研究，他基于高光谱成像采集系统优化了适用于纺织材料的高光谱图像采集条件，构建了涤棉偏最小二乘回归定量鉴别模型，并研究了一种自动化高光谱图像有效区域提取的算法，实现了高光谱图像定量分类的可视化。
2.3 纺织品颜色测量
纺织品颜色测量是纺织工业中一个重要的步骤，在纺织品检测项目中色牢度评级检测与颜色测量技术的发展息息相关。目前，色牢度检测常用的评级方法是人工评级法，评级结果受检测人员的主观性影响较大，对检验人员的经验要求较高，客观的仪器评级法有影像法和测色仪法，但是在实际使用中限制较多，织物的平整状态和组织结构等都会对测量数据产生影响，因此没有得到推广[37]。基于高光谱成像技术在颜色测量方面的研究，将该技术应用到纺织品色牢度评级检测中，对实现评级过程的客观性，检测结果的科学性具有重要意义。
鉴于高光谱成像技术对纺织品颜色测量的可能性，Damian等[38]以标准色卡和笔墨色卡为研究对象，证明了高光谱成像系统可以实现颜色的测量，且可以对非常小尺寸的区域进行测量，具有较高的测量精确度，在测量重复性方面也具有显著优势，通过对文件处理前后的颜色进行测量，可以精确地测定、监测样品在特定区域的颜色变化，这一应用对历史文物进行预防性保护具有重要意义。张盼[39]采用高光谱技术建立了单色织物的颜色测量系统，通过与分光光度计的测量结果进行比较，验证了该测量系统的稳定性，且试验表明该系统对深色系织物有较好的分辨能力。裘柯槟等[40]对两种测量方法结果的差异性进行了研究，通过实验测得高光谱成像系统重复测量的平均色差为0.154，结果也证明了高光谱成像系统的测量重复性较好。Zhang等[41]以210张棉色卡为样本，通过实验证明，液晶可调滤波器(LCTF)的高光谱成像系统能够准确测量样本的颜色，而且测量结果的重复性和再现性较好。为了实现单根纱线和多色纺织品的颜色测量，张建新等[42]提出了一种对纺织品颜色进行分割和提取的颜色测量方法，该测量方法能够获取纺织品精细的光谱信息和空间信息，具有更高的测色精度。
对多色及印花纺织品的颜色测量方面，应双双等[43]通过对采集光谱的校正与预处理，进行数据压缩、提取颜色数据、智能除噪，获得颜色的测量值，这是一种新的颜色测量方法，该方法可以有效避免面料变形带来的影响，也可以减少人为测量误差，颜色测量数据波动小、准确性高。Zhang等[44]提出了一种基于高光谱成像系统(HIS)的多色织物颜色分割与提取方法，首先利用HIS获取波长范围在400～700 nm、波长间隔为5 nm的高光谱反射率图像，手动选择待分割的感兴趣区域，采用中值滤波算法去除噪声，采用基于Fréchet距离的空间变换方法将高光谱织物图像转化为灰度图像，图像分割采用改进的分水岭分割算法，最后用改进的K-means聚类算法来合并过分割的颜色区域，结果表明在致密性(CP)和分离性(SP)评价指标上，使用该方法的颜色分割精度执行效率都得到了提高[45]。另外，Zhang等[46]采用结合自组织映射(SOM)算法和密度峰值聚类(DPC)相结合的颜色自动识别和聚类算法，对印花织物的颜色区域进行精确分割和测量，首先将高光谱图像的每个像素从光谱反射率转换为L*a*b*值，利用SOM算法识别主聚类，然后利用DPC算法进行聚类合并，最后根据最优聚类个数，将印花织物图像分为不同的颜色区域，实验表明该算法不仅能自动确定印花织物的最佳颜色数量，实现准确的颜色分割，而且执行时间较短。
在基于颜色测量的应用方面，Zhang等[47]利用改进的递归神经网络深度学习算法建立了光谱反射率与染色配方之间的模型，用3种染料对匀染织物和不匀染织物样品进行染色，结果表明，基于高光谱测色的模型对以上3种颜色具有较高的预测精度。
高光谱成像技术可以同时获得物品的图像和光谱信息，通过获取其不同区域的高光谱数据，从而达到对物品的颜色、材质、类别等特征快速无损的检测，该技术经过快速的发展已经日益成熟，将其应用到纺织检测领域有着巨大的研究潜力。笔者认为，今后的研究可以在以下几个方面进行。
a) 多组分纺织品成分分析方法的研究。目前的研究只能做到单一组分纤维的定性分析和涤棉两组分的定量分析，然而纺织品所用的材料涉及到天然纤维、合成纤维等多种纤维，在制品中往往又是多纤维交织或混纺使用，多组分纺织品的成分分析方法还需要更深入的研究。基于高光谱成像技术建立纺织品定性定量快速分析模型将是今后的研究重点。
b) 高值服装制品无损检测技术的开发。高价值服装往往采用珍贵稀有的原材料，特殊用途的功能类产品制作工艺复杂，成品价格昂贵，而传统检测方法具有破坏性，会造成浪费。基于高光谱成像技术开展无损检测的研究，可以在保障消费者权益、规范市场秩序中发挥重要作用。
c) 基于颜色测量的数字检测方法研究。基于高光谱成像技术在颜色测量方面的研究，开展纺织品色牢度、沾水等级评价、布面疵点等检测方法的研究，实现质检工作的数字化，可以解决人为因素产生的主观偏差，避免人为误差、降低检测风险。
d) 便携式高光谱设备的研发应用。高光谱成像系统要处理的信息量比较大，相应的硬件配置要求也高，便携式设备的开发对于高光谱技术在纺织检测中的应用至关重要。需要解决的问题有两个方面，一方面要在高光谱图像数据中提取特征图谱并建立相应的检测数据库，一方面是把检测数据库导入便携式设备开发无损快速检测系统。便携式设备的研发将拓宽高光谱成像技术的应用场景，更好地服务市场监管，在行政执法过程中提供技术支撑。
猜你喜欢 纺织品杂质光谱 基于三维Saab变换的高光谱图像压缩方法北京航空航天大学学报(2022年8期)2022-08-31高光谱遥感成像技术的发展与展望空间科学学报(2021年1期)2021-05-22自清洁纺织品的制备方法化工管理(2021年7期)2021-05-13剔除金石气中的杂质,保留纯粹的阳刚之气艺术品鉴(2020年6期)2020-12-06第七类直销产品猜想：纺织品能否“独立” ?知识经济·中国直销(2018年4期)2018-04-18二则领导文萃(2017年6期)2017-03-24在细节处生出智慧之花中学生数理化·高一版(2016年7期)2016-12-07ISPO2018春夏功能性纺织品流行趋势纺织服装流行趋势展望(2016年4期)2016-05-04星载近红外高光谱CO2遥感进展中国光学(2015年5期)2015-12-09粗盐中难溶性杂质的去除中学生数理化·中考版(2015年12期)2015-09-10