棉花污染
——需一個健全的系統

D. Saravanan

Bannari Amman理工學院(印度)

軋棉纖維的質量取決于其物理指標，包括纖維顏色、長度、強度、細度及纖維不含污染物與異物的水平。其中，棉纖維的污染至關重要，它決定了所得材料的質量和價格。盡管可以采用標準檢測方法評估軋棉中是否存在污染物及污染程度[以每千克纖維中含有污染纖維的克數(g/kg)計]，但尚無標準確定織物階段污染物的可接受水平和大小。據瑞士蘇黎世國際紡織品制造商聯合會(ITMF)的報告，因污染引起的索賠額占棉花和混紡棉紗總銷售額的1.4%～3.2%。單個受污染的棉包在后續混合使用過程中，還可能會污染更多的棉包。

1 棉花污染

ITMF按照“受污染最多”和“受污染最少”“受黏性影響最大”和“受黏性影響最小”“受種皮碎片影響最大”和“受種皮碎片影響最小”等評價方式對棉花污染物、黏性和種皮進行分類。目前，也有研究根據污染物的性質對其進行了進一步分類。調查顯示，2005—2016年，由各國抽取的樣本顯示，棉花污染程度呈上升或表現為持久性污染的趨勢。棉花行業應具備基于污染物含量實時對棉花進行分類的能力，即能夠定義污染物類型以對棉纖維進行分級并去除污染物。

自引入機器采摘以來，發達國家的棉花采摘和軋棉方式發生了巨大變化。但手工采摘仍是發展中國家的主要采摘方式。新的植棉方式也導致了新的污染物產生，如塑料地膜和滴灌帶的碎片。棉花采摘是一項遍布全球的季節性活動，并且大多數軋棉廠雇用臨時勞工從事軋棉作業，而這些雇用工人對工藝不熟練，可能無法遵循棉花加工的質量要求并識別棉花缺陷。

2 檢測與追溯

目前已有許多基于商業技術的解決方案，如基于區塊鏈系統、示蹤纖維及軋棉時的DNA標記等，用于確保市售棉花的追溯。電子元器件、條形碼和射頻識別(RFID)系統的大量應用，以及信息的“云”存儲，方便了對單個棉包的源頭追溯，同時解決了與鑒定棉纖維源頭相關的主要問題。

盡管檢測可降低因污染引起的索賠風險，但其并不能確保所生產的紗線或織物不含異物。基于下述兩方面原因，在早期處理階段清除污染物更有利：一方面，早期清除可防止污染物擴散到更大的范圍；另一方面，早期清除有助于避免后期更多的干預。污染物的類型、數量、污染行為及對棉纖維的黏附力各不相同，很難采用單一策略將所有污染物質與棉纖維分離。若異性纖維(如化學纖維、動物纖維和其他非棉纖維)混入棉中，則在進行紡紗工藝前很難將其去除。此外，在去除棉花雜質的過程中，這些異性纖維可能會折斷、縮短或撕裂并變得更細。由于棉纖維的色相閾值處于不同污染物(如其他服用纖維、白色棉絮、紙張、塑料線和布條等)的色相值范圍內，這對圖像采集系統及算法的設計與開發提出了很大的挑戰。在處理線上，棉花通過各種機器通道和導管，其流動不均勻且速度不穩定，這極大地影響了異性纖維的去除效率。

為能夠采取適當的措施消除或減少棉花中的雜質，提高棉花加工效率和產品質量，有必要對棉花中雜質的性質進行快速識別。人們已嘗試使用基于X射線微層析圖像分析、共現矩陣特征、小波、色彩空間模型、最佳波長成像及機器視覺等圖像處理方式檢測污染物。這些系統和方法在檢測白色和彩色污染物時具有不同的檢測效率。這些檢測系統大多采用圖像采集、圖像轉換、圖像處理和圖像后處理的序列檢測污染物。工業界對這些檢測系統的接受程度取決于檢測操作的簡便性、操作時間或速度及識別污染物的一致性。然而，研究人員在開發檢測算法時面臨一些挑戰，如污染物形狀和紋理的變化較大、對許多視覺和非視覺因素有依賴、污染物的位置和方向不確定、獲取大型數據庫的數據困難，這些都使得估算任務更難實現。特征選擇技術旨在通過減小維數并識別相關特征來簡化特征集，同時不影響預測精度。目前，總共有75個特征集被用于各種研究工作中，其中與顏色相關的特征集有27個，與紋理特征相關的有41個，與形狀特征相關的有7個。

預計到2020年底，全球紡織纖維消費量將超過1.2億 t，復合年增長率最低為4%，其中棉纖維有望達到25%。基于此，需深入分析污染物的作用及其影響，并采取措施避免污染物的產生。

3 污染檢測系統

在顏色空間系統中，盡管人們已提出了很多表示顏色的系統，但RGB可謂是一個基本模型，它可以方便地融入其他系統，最大限度地提高檢測和分類精度。然而，任何基于顏色測量的系統都對光線敏感，因此，光強度、溫度和光照角度的差異會使測量結果發生變化。現有的許多軟件都使用RGB系統，并且在計算機圖形學中，選擇RGB系統可簡化系統的體系結構和設計。但RGB在處理“真實世界”圖像時不是很有效，它是最不均勻的色彩空間系統之一，因為它無法將兩種顏色間的視覺差異用色點之間的距離表示。RGB系統對低強度區域的噪聲也很敏感。許多研究人員建議使用不同的顏色系統，如靈活使用HSL、YDbDr，YCbCr和YPbPr等顏色空間識別有黏性和無黏性的樹皮、細小污染物或昆蟲、白色異纖維、棉籽、異物及一般污染物和異性纖維，并將這些顏色空間轉換為RGB空間。

無論化學成分還是分子結構，棉纖維與異性纖維都存在明顯的差異，這也是使用光譜分析法區分棉纖維與異物的基礎。許多研究人員研究采用紅外(IR)，近紅外(NIR)，短波紅外(SWIR)和高光譜識別和檢測污染物及污染物性質，光譜范圍涵蓋可見光和IR/NIR/SWIR能譜等。SWIR波段的成像系統具有獨特的遙感功能，可用于材料檢測、檢查和過程監控等。高光譜圖像提供了遙感SWIR吸收特征的最有效的方法。這些系統具有狹窄的連續光譜帶，可準確區分吸收特征的波長位置與形狀。

X射線微層析成像采用不同的算法，以高分辨率對棉花污染物進行檢測與分類，并繞過了繁瑣的試樣制備環節。X射線圖像還可以方便地使用密度信息區分檢測對象。由于能夠生成物體的3D圖像，因此使用X射線微層析成像技術可有效提取污染物的準確形狀和大小。然而，X射線微層析成像研究中使用的低能掃描易導致感知衰減系數增大、低強度背景特征大量出現，以及在整個切片中出現均勻噪聲等問題。

隨著圖像捕捉系統的最新發展，機器視覺嘗試以新的方式整合現有技術，并用于解決現實世界中的問題，包括基于自動化的圖像的檢查、過程控制和指導系統。使用機器視覺提取的信息可以是簡單的好壞信號，也可以是一組復雜的數據集，如，圖像中每個檢測對象的身份、位置和方向。如此看來，與其他系統相比，機器視覺識別似乎更優越。然而，該方法也存在缺陷，它依賴于用于分析系統獲取的圖像算法的開發。有關污染物檢測的算法、智能編碼系統、支持向量機技術及納入污染物檢測系統的各種機器學習方法的最新發展，均可以為污染物的檢測和消除提供優化解決方案，減少對棉花行業經濟的影響。

4 結語

隨著棉纖維利用率的不斷提高，通過重復使用和纖維回收實現可持續制造過程，還需一個智能的自學習系統，以識別不同加工階段的污染物，對其進行分類和去除。除了識別在全球棉纖維中已知的常規污染物外，棉花行業還需要一個健全的系統，以識別具有不同特征集的特定區域污染物并對其進行分類。 此外，還需通過適當的激勵機制，鼓勵在棉花種植、收獲、軋棉及其他加工階段采取優化措施，確保棉纖維的無污染供應。