基于特征波段优选的纺织品纤维高光谱鉴别方法及系统与流程
本技术涉及纺织品纤维成分无损鉴别,具体而言,涉及一种基于特征波段优选的纺织品纤维高光谱鉴别方法及系统。
背景技术:
1、纺织品纤维成分鉴别是纺织品质量管控、进出口检验监管以及废旧纺织品回收分拣的重要环节。传统的纤维鉴别手段主要包括燃烧法、显微镜观察法、化学溶解法等,这些方法大多依赖人工经验判断或需要破坏性取样,检测效率低且难以量化比较。近年来,高光谱成像技术因能够同时获取被测目标的二维空间信息与逐像元的光谱信息,为纤维种类的快速无损识别提供了新的途径。
2、然而,现有技术在基于高光谱的纺织品纤维鉴别方面存在以下问题:其一,散纤维、纱线、织物等不同表面状态的纤维在高光谱成像下的光学响应差异显著,而现有技术通常不对表面状态加以区分,将不同形态样本的光谱混合建模,导致基准曲线失真、识别准确率下降;其二,高光谱数据波段数量庞大,各波段对纤维类别的区分能力并不相同,现有技术多采用全波段直接比对的方式,不仅计算负荷大,而且弱区分波段和噪声波段的干扰会降低鉴别的可靠性;其三,当待鉴别样本的光谱曲线与多个类别的基准曲线均较为接近时,现有技术缺乏可靠性判别机制,容易输出错误的类别结论。
技术实现思路
1、本技术的目的在于提供一种基于特征波段优选的纺织品纤维高光谱鉴别方法及系统,具有能够区分表面状态、自动优选高区分能力波段、提升纤维鉴别准确率与可靠性的优点。
2、第一方面,本技术提供了一种基于特征波段优选的纺织品纤维高光谱鉴别方法,包括:
3、采集多个已知纤维类别的训练样本和待鉴别纤维样本的高光谱图像;将各所述高光谱图像中纤维主体区域内的像元作为测量像元;
4、根据训练样本的表面状态将各训练样本的测量像元划分为多个采集组,并确定各采集组下各类别的基准光谱曲线;
5、将光谱曲线的波长范围划分为多个连续的波段窗口;针对每一采集组,当一波段窗口内该采集组内各类别的光谱曲线相对其基准光谱曲线的平均偏离量均低于预设一致阈值、且各类别基准光谱曲线间的平均间距量高于预设差异阈值时,判定该波段窗口为该采集组的有效窗口;
6、统计各波段窗口被判定为有效窗口的采集组数量作为组入选次数;将组入选次数达到预设共有次数阈值的波段窗口确定为共有选定窗口,其余组入选次数不为零的波段窗口确定为状态补偿窗口,并记录其对应的采集组;
7、将共有选定窗口和状态补偿窗口覆盖的波长范围确定为选定波段;
8、确定待鉴别纤维样本的光谱曲线;按照待鉴别纤维样本的表面状态确定所属采集组,在所述选定波段内将其与该采集组下各类别的基准光谱曲线比对,将最相近的基准光谱曲线所对应的纤维类别确定为待鉴别纤维样本的纤维类别。
9、进一步,采集所述高光谱图像时满足同一光源强度、同一采集距离和同一曝光条件;所述方法还包括:
10、采集所述高光谱图像时,同步采集标准白板的白板光谱曲线和标准黑板的黑板光谱曲线;
11、以所述黑板光谱曲线为暗基准、以所述白板光谱曲线为亮基准,对所述高光谱图像中各像元的光谱曲线进行校正;
12、所述测量像元的光谱曲线以及所述基准光谱曲线均为校正后的光谱曲线。
13、进一步,所述将各所述高光谱图像中纤维主体区域内的像元作为测量像元,包括:
14、将所述白板光谱曲线作为背景光谱曲线;
15、将各像元的光谱曲线与所述背景光谱曲线之差大于预设背景差异阈值、且彼此相邻的像元确定为候选像元;
16、将包含像元数量最多的彼此相邻的候选像元区域确定为所述纤维主体区域;
17、剔除位于所述纤维主体区域边缘的像元,将剔除后剩余的像元作为所述测量像元。
18、进一步,所述确定各采集组下各类别的基准光谱曲线,包括:对训练样本的测量像元进行预处理以得到组内光谱集合;所述预处理包括:
19、将同一训练样本的测量像元的光谱曲线组成该训练样本的样本光谱组;
20、针对每一波长点,将所述样本光谱组中各光谱曲线在该波长点上的数值排序,取中间位置的数值作为该波长点的样本中间数值,由各波长点的样本中间数值连接成所述样本光谱组的中间曲线;
21、计算所述样本光谱组中各光谱曲线与所述中间曲线在全部波长点上差值绝对值的平均值,得到各光谱曲线的组内离差;
22、将组内离差大于所述样本光谱组中各组内离差的中间值的预设倍数的光谱曲线从所述样本光谱组中剔除,将剩余的光谱曲线作为有效光谱曲线;
23、将同一采集组内属于同一纤维类别的各训练样本的有效光谱曲线组成组内光谱集合。
24、进一步,所述方法还包括:
25、针对每一波长点,将所述组内光谱集合中各有效光谱曲线在该波长点上的数值排序,取中间位置的数值作为该波长点的基准数值,由各波长点的基准数值连接成该类别的基准光谱曲线;
26、计算所述组内光谱集合中各有效光谱曲线在各波长点与该波长点的基准数值的差值绝对值的平均值,得到各波长点的平均离差;
27、以所述基准数值为中心,按照所述平均离差的预设倍数确定该波长点的允许偏离范围。
28、进一步,所述将光谱曲线的波长范围划分为多个连续的波段窗口,包括:
29、对各类别的基准光谱曲线分别进行一阶差分,得到各类别在各波长点的变化率,取各类别变化率的平均值作为各波长点的变化率;
30、针对变化率大于预设变化率阈值的波长范围,按照第一窗口宽度划分波段窗口;针对变化率不大于所述预设变化率阈值的波长范围,按照大于所述第一窗口宽度的第二窗口宽度划分波段窗口;
31、当划分得到的末端的波段窗口所含波长点数量小于预设窗口点数时,将所述末端的波段窗口并入相邻的前一波段窗口。
32、进一步,所述方法还包括:
33、根据各类别纤维的光谱吸收特性,预先标定各类别纤维的特征吸收峰所在的波长点;
34、在统计得到各波段窗口的组入选次数之后、依据预设共有次数阈值确定共有选定窗口与状态补偿窗口之前,当一波段窗口包含任一所述特征吸收峰所在的波长点、且该波段窗口的组入选次数不为零时,将该波段窗口的组入选次数增加预设权重值;
35、所述共有选定窗口以及所述状态补偿窗口,根据增加所述预设权重值后的组入选次数确定。
36、进一步,所述表面状态包括散纤维状态、纱线状态和织物状态;所述按照待鉴别纤维样本的表面状态确定所属采集组,包括:
37、提取待鉴别纤维样本的高光谱图像中纤维主体区域的外轮廓;当所述外轮廓内的像元分布呈沿两个方向交替排布的条纹状时,判定待鉴别纤维样本属于织物状态对应的采集组;当所述外轮廓呈离散团絮状时,判定待鉴别纤维样本属于散纤维状态对应的采集组;否则,判定待鉴别纤维样本属于纱线状态对应的采集组;
38、进一步,所述确定待鉴别纤维样本的光谱曲线,包括:将待鉴别纤维样本的测量像元的光谱曲线取中值,得到待鉴别纤维样本的光谱曲线;
39、所述在所述选定波段内将其与该采集组下各类别的基准光谱曲线比对,将最相近的基准光谱曲线所对应的纤维类别确定为待鉴别纤维样本的纤维类别,包括:
40、针对所确定采集组下的每一纤维类别,将待鉴别纤维样本的光谱曲线与该纤维类别的基准光谱曲线在所述选定波段内的各波长点逐一比较,将各波长点的差值中超出该纤维类别的组内光谱集合在该波长点的允许偏离范围的部分累加,得到该纤维类别的类别超出量,以所述类别超出量表征待鉴别纤维样本的光谱曲线与该纤维类别的基准光谱曲线之间的相近程度;
41、当各类别的类别超出量均大于零时,不输出待鉴别纤维样本的纤维类别,并生成用于提示无法可靠鉴别的提示信息;
42、当最小的两个类别超出量之间的差值小于预设类别区分阈值时,不输出待鉴别纤维样本的纤维类别,并生成用于提示无法可靠鉴别的提示信息;
43、否则,将类别超出量最小的纤维类别确定为待鉴别纤维样本的纤维类别。
44、第二方面,本技术还提出一种基于特征波段优选的纺织品纤维高光谱鉴别系统,包括高光谱成像仪和处理器,所述处理器中存储有计算机程序;
45、所述高光谱成像仪,用于采集多个已知纤维类别的训练样本和待鉴别纤维样本的高光谱图像;
46、所述处理器执行所述计算机程序时,实现第一方面所述的方法。
47、由上可知,本技术通过按照训练样本的表面状态将测量像元划分为多个采集组并分别建立各采集组下各类别的基准光谱曲线,解决了不同形态纤维混建基准导致的识别不准问题;通过将光谱曲线的波长范围划分为连续波段窗口、针对每一采集组依据类内光谱曲线相对基准曲线的一致性及类间基准曲线间的区分性逐窗口判定有效窗口,并统计得到共有选定窗口与状态补偿窗口从而确定兼顾共性与表面状态个性的选定波段,解决了全波段比对计算量大且易受噪声波段干扰的问题;通过在选定波段内将待鉴别样本的光谱曲线与所属采集组的基准光谱曲线比对并取最相近者,实现了鉴别过程在优选波段上的高效匹配。同时,通过以特征吸收峰所在波段窗口对组入选次数加权、以及在各类别超出量均大于零或最小两类别超出量差值小于区分阈值时生成不可鉴别提示,实现了关键特征波段的针对性增强与不可靠鉴别情形的主动识别。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com