應用方向：該文獻展示了高光譜成像技術在紡織品水分含量快速、無損檢測中的重要應用潛力。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下的光譜數據，通過分析特征峰位置、面積及半高寬（FWHM）等光譜特征參數，構建與水分變化相關的定量模型。研究表明高光譜成像結合特征提取與智能建模算法，可廣泛應用于紡織品品質控制、在線水分監測與智能制造領域，為紡織工業提供高效、可視化、智能化的檢測解決方案。
背景：
聚酯是全球應用*廣泛的合成纖維，其質量檢測受到制造商、消費者和政府部門的高度關注。其中，水分含量是關鍵指標之一，直接影響聚酯面料的加工性能、機械與熱學特性、電導率等。目前常用的烘干法雖精度高，但存在檢測延遲、無法實現在線檢測等問題；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。隨著現代紡織工業對高效、精準檢測需求的提升，傳統檢測手段已難以滿足要求。高光譜成像技術因其非接觸、快速、可在線分析等優勢，逐漸在農業、食品、生物等領域展現出潛力，但在織物水分檢測領域尚處于發展初期，且現有模型多建立在單一規格織物基礎上，存在推廣適用性差、變量選取與建模方法有待優化等問題。因此，亟需開發一種基于高光譜成像的、適用于多規格織物的高精度水分檢測新方法。
作者信息： 祝成炎，浙江理工大學材料與紡織學院，博士生導師
期刊來源：Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy
研究內容
作者在920.8-2528.6 nm波長范圍內獲取了不同規格、不同含水率的滌綸織物的高光譜圖像，分析了含水率對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波長附近的特征峰為光譜表征變量，建立了基于BP神經網絡的織物水分檢測模型，驗證了高光譜成像和BP神經網絡用于滌綸織物水分檢測的可行性和準確性。
實驗設計
本研究選取了三種不同規格的聚酯織物，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組不同規格和水分含量的樣品。通過自然蒸發和烘箱干燥來調節水分含量。
本研究中使用的高光譜成像系統是由江蘇雙利合譜科技有限公司設計和開發的GaiaSorter-Dual全波段高光譜成像系統，如圖1所示。該成像系統采用推掃式（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，有效狹縫長度為9.6毫米，狹縫寬度為30微米，包含256個光譜通道，像素尺寸為30×30微米。圖像采集速度設置為3厘米/秒，曝光時間為6毫秒，幀率為70赫茲。
圖1. GaiaSorter-Dual全波段高光譜成像系統。
研究方法
由于多種因素的影響，例如外部光照強度、高光譜系統相機的暗電流以及其他來源，采集到的高光譜圖像信息可能包含大量噪聲信號。因此，在獲取聚酯織物的光譜圖像之前，在實驗環境中采集標準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）、標準正態變量（SNV）以及一階導數預處理方法消除基線漂移等因素對光譜曲線的干擾。采用半高全寬（FWHM）評估和篩選水分相關的有效波段，FWHM是用來衡量高光譜數據中特征吸收峰寬度的重要參數之一，反映了譜線的分布范圍和吸收強度變化的銳利程度。
在模型建立方面，基于BP神經網絡檢測聚酯織物的水分含量，BP神經網絡的整體結構如圖2所示。
圖2. BP神經網絡結構圖
結果
在本研究中，通過高光譜成像系統獲取了150組不同規格和不同水分含量的聚酯織物的高光譜圖像。在本節中，我們對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進行了特征分析，并研究了這些光譜曲線之間的形態差異。這些聚酯織物的光譜曲線如圖3所示。
圖3. 聚酯織物的光譜曲線
光譜特征通常通過特征峰的數量、位置、強度和形狀來表達。圖3(a)表明，在920.8–2528.6納米的波長范圍內，聚酯織物表現出八個明顯的特征峰。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，且形狀發生改變（圖4）。因此，確定了1363 nm和1890 nm附近的特征峰以供進一步研究。計算這兩個峰的面積和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。通過比較以1363 nm特征峰的面積和FWHM作為光譜特征變量所開發的模型與以相同變量選擇的1890 nm所開發的模型，可以觀察到后者表現出更優的性能。以1363 nm特征峰的面積和FWHM作為光譜特征變量所開發的模型在測試集上的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發的模型在測試集上的R值為0.99629，MSE為0.00695%。
當模型同時使用1363 nm和1890 nm兩個特征峰的面積和半高寬（FWHM）作為光譜特征變量時，訓練集、驗證集和測試集的MSE值均低于0.0015%，表明模型整體誤差較小。測試集的相關系數（R值）達到0.99952，MSE為0.00090%（RMSE為0.2998%，即測試集中水分含量的預測誤差約為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建的模型具有*佳的性能。其相關性強（R值大于0.999），誤差低（MSE小于0.0015%，RMSE小于0.3873%），顯示該模型預測精度高。總體而言，在以1890 nm單一變量建模的基礎上，進一步引入1363 nm特征峰的面積和FWHM可進一步提高相關性并降低誤差。
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模型性能的影響，研究分別基于PLS與BP神經網絡方法，以1363 nm和1890 nm兩個特征峰的面積與FWHM為特征變量構建水分檢測模型。結果顯示，將建模方法從BP神經網絡更換為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神經網絡作為建模方法，可將滌綸織物水分含量檢測的預測誤差控制在約0.3 wt%（檢測范圍為0–30%）以內，表現出*高的可行性與準確性。
結論
本研究旨在驗證將高光譜成像技術與BP神經網絡相結合，用于定量檢測聚酯織物含水率的可行性與準確性。研究中采集了不同規格和含水率的聚酯織物樣本的高光譜圖像，分析了其光譜曲線特征，并探討了含水率變化對聚酯織物光譜曲線的影響。通過對純水的近紅外吸收曲線以及聚酯織物光譜曲線與含水率參數之間關系的分析，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）代替傳統的特征波長，構建基于高光譜圖像與BP神經網絡的含水率檢測模型，并對該模型進行了驗證。研究得出以下詳細結論：
1. 水分含量和織物規格（即厚度）對聚酯織物光譜曲線的整體反射強度有影響。然而，水分含量的變化也會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波長的特征峰的面積和寬度持續增加。主要原因在于，O–H鍵在1450 nm和1940 nm附近的近紅外光區域因伸縮振動和變角振動而吸收光線，從而隨著水分含量的增加，導致1363 nm和1890 nm波長附近的特征峰的高度、寬度和面積增加。
2. 通過分析純水的近紅外吸收曲線以及聚酯織物光譜曲線與水分含量參數之間的關系，確定了光譜特征變量的波長范圍。基于上述分析，1363 nm和1890 nm波長處的特征峰面積和FWHM被認為是具有代表性的光譜特征變量。因此，從當前光譜參數中選取并計算了這些新的光譜特征變量。此外，這一過程降低了模型的計算復雜性，有效提取了特征峰的整體形狀信息，并提高了實際檢測的效率。
3. 基于高光譜成像和BP神經網絡的聚酯織物水分含量檢測模型，以1363 nm和1890 nm波長處的特征峰面積和FWHM作為光譜特征變量，被證明是高效且能夠進行準確預測的。該模型對測試集的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。
該方法為紡織行業快速且精準的水分含量檢測提供了一種有效手段。
關于雙利合譜
雙利合譜深耕高光譜技術領域，憑借自主研發實力打造了覆蓋多場景的高光譜產品矩陣——從適配空中作業的無人機高光譜成像系統、機載高光譜相機，到便于現場檢測的便攜式高光譜儀、便攜式高光譜分析儀，再到聚焦地面觀測的地物高光譜成像系統，以及針對特定波段與場景的高光譜相機、近紅外高光譜相機、短波紅外高光譜、顯微高光譜成像系統，全*位滿足不同領域的精準光譜探測需求。
這些高光譜產品廣泛應用于農業遙感、環境監測、地質勘探、生物醫療、工業質檢等場景，以高分辨率、高靈敏度的核心性能，助力用戶高效獲取光譜數據、挖掘物質成分信息。持續關注雙利合譜，獲取更多高光譜產品動態、技術進展與行業應用案例，讓自主研發的高光譜技術為您的科研探索與產業升級賦能！
© 2019 版權所有：江蘇雙利合譜科技有限公司 備案號：蘇ICP備2021046114號-3 技術支持：化工儀器網 GoogleSitemap 管理登陸
在線客服