高光譜成像技術在紡織檢測領域的研究進展

梁慧芳，張惠芳，從明芳，陳澤潭，孫 沖

(浙江省輕工業品質量檢驗研究院，杭州 310018)

紡織制品成分分析和色牢度檢測是現代紡織領域質量控制的關鍵，也是紡織品常規的檢測項目。紡織品成分分析有定性和定量兩種方式，定性分析通常以查看纖維燃燒狀態、顯微鏡下觀察纖維形態為主；定量分析采用化學溶解法、手工拆分法。這些方法過程復雜耗時長，測試時要對樣品進行破壞，化學試劑對檢測人員的身體健康和環境存在損害。基于近紅外光譜的定量分析方法在2018年發布了行業標準，由于校正模型建立的復雜性和不同設備之間的不通用性，該技術在檢測機構中的應用還不是很多。紡織品色牢度是與產品安全性能有關的重要指標之一，目前最常用的評級方法是目光評級法[1]，通過觀察試驗前后試樣的顏色變化，通過對照標準灰卡來評級，檢驗人員上崗之前需要經過長時間的培訓、目光校正，檢測結果受檢測人員的主觀因素影響也比較大。

高光譜成像技術最早起源于高光譜遙感技術，其分辨率可達到2～3 nm數量級，融合了二維成像和光譜技術，具有波段多、通道連續等特點，可以同時獲取待測物的空間及光譜信息[2-3]。經過近些年的快速發展，該技術已經在遙感監測[4]、食品品質及安全[5]、農作物病蟲害監測[6]、醫療診斷[7]、航天領域[8]等有了大量的研究和應用，但是在紡織檢測中的研究尚在起步階段，一些研究在高校和科研機構進行，在紡織品成分分析和紡織品顏色測量研究方面也取得了一定的成果。本文對高光譜成像技術的成像原理、設備裝置和數據處理方法進行了簡單的介紹，對該技術在棉花雜質檢測、紡織品成分分析及顏色測量等方面的研究進展進行了總結分析，并對該技術在紡織檢測領域的研究應用提出了思路和方向。

1 高光譜成像技術介紹

1.1 高光譜成像原理

高光譜成像技術主要融合了光學、電子學、數字圖像信息處理及計算機科學等技術，是一門新興的無接觸式檢測技術[9]。其產生的圖像具有空間和光譜兩重信息，每個像素都保存相應位置的光譜信息，光譜也反映該特定像素的信息。高光譜成像一般有兩種系統，一種是基于濾波片的成像系統，其裝置主要由電荷耦合器件(CCD)攝像頭和濾波片組成[10]；另一種是基于圖像光譜儀的高光譜圖像系統，如 圖1 所示，主要由CCD或相機、光譜儀、照明單元、采集控制及處理軟件組成[5,11]。圖像采集方式有逐點掃描式、線推掃式以及面幀式，目前應用最多的是線推掃式。圖像光譜儀的核心部件是棱鏡-光柵-棱鏡(PGP)單元，并配備狹縫，在推掃過程中待測物一條窄帶的反射光束通過PGP單元，被色散后投射到CCD探測器上，物體表面的多個條帶光譜圖像進行拼接，得到整個物體的高光譜圖像[12]。光譜采集方式包含反射、透射、散射和熒光4種模式[13]，其光譜覆蓋面包含紫外、可見光、近紅外和中紅外區域，所獲波段信息量大、分辨率高、連續性強，可為待測物體屬性分析與判斷提供依據[14]。

圖1 高光譜成像系統示意Fig.1 Schematic diagram of hyperspectral imaging system

1.2 高光譜圖像數據分析

高光譜圖像數據處理的分析方法有很多，一般的分析流程是對原始光譜信息進行校正和預處理之后進行降維，選擇關鍵信息建立模型進行結果分析。

數據校正與預處理：原始高光譜圖像信息是能量值，圖像采集過程受外界光照強度、試樣表面陰影等的影響較大，需要通過白板校正獲取反射率或吸收率。圖像預處理可以通過直方圖均值化或主成分分析(Principle component analysis, PCA)，常用的光譜信息預處理方法[15-16]有平滑(Smoothing)、求導(Derivatives)、遺傳算法(Genetic algorithm, GA)、歸一化(Normalization, NOR)、標準正態變量變換(Standard normal variable transformation, SNV)和多元散射校正(Multiplicative scattering correction, MSC)等。經過數據校正和預處理，有助于提高高光譜的信噪比以及實現原始光譜數據的挖掘。

數據降維：對于圖像信息，可以直接提取具有代表性的單一或幾個波長范圍內的圖像，也可以采用主成分分析法、最小噪聲分離法(Minimum noise fraction, MNF)、獨立成分分析法(Independent components analysis, ICA)等獲取關鍵的主成分圖像，還可以采用波段比算法、差分算法等提取數個特征波長圖像，計算獲得新的圖像。對于光譜信息，可以以全部目標像素或感興趣區域的像素光譜平均后獲得平均光譜信息，也可以提取每個像素的光譜信息用于像素分類分析[11]。

模型建立與分析：使用圖像信息，可以采用各種圖像處理技術對圖像進行分割獲取有效信息，提取相關特征參數建立模型。使用光譜信息，可以采用化學計量學方法如多元線性回歸(Multiple linear regression, MLR)、主成分回歸(Principal component regression, PCR)、偏最小二乘回歸(Partial least squares regression, PLSR)、支持向量機(Support vector machine, SVM)、人工神經網絡(Artificial neural network, ANN)等，建立定性或定量分析模型[11,15]。在樣本集挑選時可以根據分析方法的不同來選擇，如定性分析可以用隨機挑選法、Kennard-Stone法等，定量分析中可以用含量梯度法和SPXY法等[17]。

2 在紡織檢測領域的研究進展

2.1 棉花雜質檢測

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。

表1 高光譜圖像數據分析方法Tab.1 Data analysis methods of hyperspectral image in literatures

在籽棉雜質檢測中，常金強等[18]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[19]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400～1 000 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[20]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 1 000～2 500 nm，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[21]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[22]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[23]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[24]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[25]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[26]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[28]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[29]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。

2.2 紡織品成分分析

紡織品材料成分分析目前依據的標準主要有國內的FZ/T 01057—2007《紡織纖維鑒別試驗方法》系列標準和GB/T 2910—2009《紡織品 定量化學分析》系列標準、美國的AATCC 20—2018(E2019): Test Method for Fiber Analysis: Qualitative和AATCC 20A—2020: Test Method for Fiber Analysis: Quanti-tative、歐洲的ISO 1833—2006: Textiles Quantitative chemical analysis系列標準等，其中的定量方法以化學溶解法和手工拆分法為主，顯微鏡法可以測定棉麻混紡、特種動物纖維和綿羊毛混紡等的混合比例，以上檢測手段均為破壞性試驗，檢測過程復雜耗時長，化學試劑損害檢測人員的身體健康，對環境污染大。市場的快速發展對檢測企業的效率提出了更高的要求，為了檢測過程的綠色環保，迫切需要把新技術新方法引入到檢測領域。近紅外光譜技術操作簡單，檢測過程快速、無損，該技術的發展也給紡織品的定性定量分析帶來了新的測試方法，2018年近紅外光譜法行業標準的發布更是讓該技術得到了巨大的關注，也有機構研發了便攜式的近紅外纖維定性定量分析儀，但是在實際測試中對于印花、涂層以及分布不均勻的面料還不適用[30]，其檢測結果的精確度也有待改進和提高，模型建立也比較復雜，所以該技術在檢測機構中還沒有得到推廣應用。

高光譜成像技術以其獨特優勢得到了紡織品檢測領域的關注，目前該研究還集中在高校中，祝成炎等[31]提出了一種鑒別方法，步驟為建立紡織品原料的高光譜數據庫、采集待檢樣品數據、數據預處理、待檢樣品數據與數據庫比對匹配和紡織品成分顯示，可用于快速、無損地進行紡織品原料成分的定性定量。辛斌杰等[32]提出了一種紡織品材料識別的方法及系統，該方法以特征波長的標準波譜庫建立分類器，提取圖像的特征波長，通過分類器進行識別，得到待檢紡織品的材料組成。

在單組分纖維的識別中，Jin等[33]利用高光譜成像系統提取了6類合成纖維的光譜特征，建立了主成分分析-線性判別分析模型，對不同顏色和結構的纖維化學成分進行了判別，其判別準確率為100%，表明了高光譜成像系統在合成纖維識別中的可行性；在此基礎上，金肖克等[17]又以常用的10類紡織品為鑒別目標，以一階導數對原始數據進行預處理，用偏最小二乘判別分析模型對其成分種類進行鑒別，總體鑒別準確率達到了96.78%；李佳平等[34]通過采集8種不同種類的紡織品高光譜圖像，利用連續投影算法對波段進行篩選，然后基于最小二乘法支持向量機(LS-SVM)建立二類分類器，試驗所用的驗證集和測試集都可以正確識別；在此基礎上，Li等[35]對單組分織物的高光譜數據進行基于局部線性嵌入(LLE)、主成分分析(PCA)和局部保持投影(LPP)算法的降維，并將288個波長的原始數據進行壓縮以保持典型的波長區域，然后將這些數據導入兩個分類器(決策樹分類器和KNN分類器)進行訓練，并基于這些訓練數據建立樣本分類的識別模型，實驗結果表明，所建立的識別模型能夠正確識別所有的樣本并且基于LPP模型和KNN分類算法的識別率和穩定性是最高的。以上研究證明高光譜成像技術用于紡織品材料的定性識別是可行的，為該技術在紡織品材料鑒別上的應用提供了理論和實踐基礎。

在單組分纖維材料定性識別的基礎上，孫藝博[36]對滌棉織物的定量分析進行了研究，他基于高光譜成像采集系統優化了適用于紡織材料的高光譜圖像采集條件，構建了滌棉偏最小二乘回歸定量鑒別模型，并研究了一種自動化高光譜圖像有效區域提取的算法，實現了高光譜圖像定量分類的可視化。

2.3 紡織品顏色測量

紡織品顏色測量是紡織工業中一個重要的步驟，在紡織品檢測項目中色牢度評級檢測與顏色測量技術的發展息息相關。目前，色牢度檢測常用的評級方法是人工評級法，評級結果受檢測人員的主觀性影響較大，對檢驗人員的經驗要求較高，客觀的儀器評級法有影像法和測色儀法，但是在實際使用中限制較多，織物的平整狀態和組織結構等都會對測量數據產生影響，因此沒有得到推廣[37]。基于高光譜成像技術在顏色測量方面的研究，將該技術應用到紡織品色牢度評級檢測中，對實現評級過程的客觀性，檢測結果的科學性具有重要意義。

鑒于高光譜成像技術對紡織品顏色測量的可能性，Damian等[38]以標準色卡和筆墨色卡為研究對象，證明了高光譜成像系統可以實現顏色的測量，且可以對非常小尺寸的區域進行測量，具有較高的測量精確度，在測量重復性方面也具有顯著優勢，通過對文件處理前后的顏色進行測量，可以精確地測定、監測樣品在特定區域的顏色變化，這一應用對歷史文物進行預防性保護具有重要意義。張盼[39]采用高光譜技術建立了單色織物的顏色測量系統，通過與分光光度計的測量結果進行比較，驗證了該測量系統的穩定性，且試驗表明該系統對深色系織物有較好的分辨能力。裘柯檳等[40]對兩種測量方法結果的差異性進行了研究，通過實驗測得高光譜成像系統重復測量的平均色差為0.154，結果也證明了高光譜成像系統的測量重復性較好。Zhang等[41]以210張棉色卡為樣本，通過實驗證明，液晶可調濾波器(LCTF)的高光譜成像系統能夠準確測量樣本的顏色，而且測量結果的重復性和再現性較好。為了實現單根紗線和多色紡織品的顏色測量，張建新等[42]提出了一種對紡織品顏色進行分割和提取的顏色測量方法，該測量方法能夠獲取紡織品精細的光譜信息和空間信息，具有更高的測色精度。

對多色及印花紡織品的顏色測量方面，應雙雙等[43]通過對采集光譜的校正與預處理，進行數據壓縮、提取顏色數據、智能除噪，獲得顏色的測量值，這是一種新的顏色測量方法，該方法可以有效避免面料變形帶來的影響，也可以減少人為測量誤差，顏色測量數據波動小、準確性高。Zhang等[44]提出了一種基于高光譜成像系統(HIS)的多色織物顏色分割與提取方法，首先利用HIS獲取波長范圍在400～700 nm、波長間隔為5 nm的高光譜反射率圖像，手動選擇待分割的感興趣區域，采用中值濾波算法去除噪聲，采用基于Fréchet距離的空間變換方法將高光譜織物圖像轉化為灰度圖像，圖像分割采用改進的分水嶺分割算法，最后用改進的K-means聚類算法來合并過分割的顏色區域，結果表明在致密性(CP)和分離性(SP)評價指標上，使用該方法的顏色分割精度執行效率都得到了提高[45]。另外，Zhang等[46]采用結合自組織映射(SOM)算法和密度峰值聚類(DPC)相結合的顏色自動識別和聚類算法，對印花織物的顏色區域進行精確分割和測量，首先將高光譜圖像的每個像素從光譜反射率轉換為L*a*b*值，利用SOM算法識別主聚類，然后利用DPC算法進行聚類合并，最后根據最優聚類個數，將印花織物圖像分為不同的顏色區域，實驗表明該算法不僅能自動確定印花織物的最佳顏色數量，實現準確的顏色分割，而且執行時間較短。

在基于顏色測量的應用方面，Zhang等[47]利用改進的遞歸神經網絡深度學習算法建立了光譜反射率與染色配方之間的模型，用3種染料對勻染織物和不勻染織物樣品進行染色，結果表明，基于高光譜測色的模型對以上3種顏色具有較高的預測精度。

3 結論與展望

高光譜成像技術可以同時獲得物品的圖像和光譜信息，通過獲取其不同區域的高光譜數據，從而達到對物品的顏色、材質、類別等特征快速無損的檢測，該技術經過快速的發展已經日益成熟，將其應用到紡織檢測領域有著巨大的研究潛力。筆者認為，今后的研究可以在以下幾個方面進行。

a) 多組分紡織品成分分析方法的研究。目前的研究只能做到單一組分纖維的定性分析和滌棉兩組分的定量分析，然而紡織品所用的材料涉及到天然纖維、合成纖維等多種纖維，在制品中往往又是多纖維交織或混紡使用，多組分紡織品的成分分析方法還需要更深入的研究。基于高光譜成像技術建立紡織品定性定量快速分析模型將是今后的研究重點。

b) 高值服裝制品無損檢測技術的開發。高價值服裝往往采用珍貴稀有的原材料，特殊用途的功能類產品制作工藝復雜，成品價格昂貴，而傳統檢測方法具有破壞性，會造成浪費。基于高光譜成像技術開展無損檢測的研究，可以在保障消費者權益、規范市場秩序中發揮重要作用。

c) 基于顏色測量的數字檢測方法研究。基于高光譜成像技術在顏色測量方面的研究，開展紡織品色牢度、沾水等級評價、布面疵點等檢測方法的研究，實現質檢工作的數字化，可以解決人為因素產生的主觀偏差，避免人為誤差、降低檢測風險。

d) 便攜式高光譜設備的研發應用。高光譜成像系統要處理的信息量比較大，相應的硬件配置要求也高，便攜式設備的開發對于高光譜技術在紡織檢測中的應用至關重要。需要解決的問題有兩個方面，一方面要在高光譜圖像數據中提取特征圖譜并建立相應的檢測數據庫，一方面是把檢測數據庫導入便攜式設備開發無損快速檢測系統。便攜式設備的研發將拓寬高光譜成像技術的應用場景，更好地服務市場監管，在行政執法過程中提供技術支撐。