论文部分内容阅读
随着纺织品国际贸易的发展及消费者对织物品质的追求,我国对纺织品检测标准与要求也越来越严格。目前,采用化学计量学结合光谱分析技术建立校正模型对纺织品的成分种类和含量进行分析已被广泛使用。一般先依据定性分析模型对纺织品进行种类鉴别,后选择相应的定量模型对含量进行预测,以达到检测目的。为了解决纺织品检测中盲目选择模型进行组分分析时预测精度较差的问题,论文开展了基于高光谱分析技术的混纺织物智能分析模型构建方法研究,以期实现对未知混纺织物样品先判断其组分信息,后直接选择合理的定量分析模型对其进行含量预测,即实现定性和定量模型的智能选择。论文以棉涤混纺织物为研究对象,在常规的定性分析的基础下,提出了基于LS-ICA的波谱解析方法,能够将未知大类或组分的纺织品进行波谱解析,通过与纯物质的二阶导数谱进行比较得出所含组分类别,依据组分类别选择合适的定性鉴别模型进行验证,再选择合适的定量分析模型进行组分含量的分析。以实现混纺织物高光谱智能分析模型的构建。主要研究内容和结论如下:针对高光谱图像的采集参数优化和ROI选取问题,开展了对纺织品高光谱影响因素的分析及ROI自动选区方法的研究。结果表明:不同颜色的纺织品在此波段对光谱几乎无影响,且灰度图像与RGB图像对应的光谱谱形基本一致;在有效区域内,位移平台的不同移动速度仅仅影响高光谱图像的显示,使高光谱图像在不同程度上进行了拉伸,而对其光谱数据并无明显影响;对织物折叠层数,在确保光照不透过纺织品交织缝隙直接照射到置物台背景的实验状态下,其光谱曲线图都基本一致。对于ROI选取,提出了统一提取图像相同部位的ROI矩形区域及相同像素点个数最为标准进行后续的光谱数据的采集,通过图像分割法,将采集的高光谱图像分割成2*3的相同小块,提取每小块中心100个像素点的矩形区域作为ROI选区,减少了传统手工提取的偶然性和随机性以及耗时长等问题。针对混纺织物成分鉴别分析模型构建的问题,开展了基于偏最小二乘判别分析（PLSDA）的涤氨、棉涤和粘涤氨混纺织物成分定性判别模型构建方法研究,分析了四种预处理方法（SG平滑、SNV、MSC和连续小波导数）对模型正确判别率及F值得影响,并将其与支持向量机（SVM）、极限学习机（ELM）模型进行了对比。结果表明,PLSDA模型优于SVM模型和ELM模型,能够准确的识别3种混纺织物,准确率高达100%,F值也达到1,且模型运算速度快。针对常规的定性判别需要建立判别模型,且模型的参数和特征变量对判别的结果影响较大的问题,开展了基于光谱分解的定性判别模型构建方法的研究,新提出了基于LSICA结合高光谱技术波谱解析混纺织物的模型构建。为了验证其模型的可行性,论文以棉涤为研究对象,建立了基于高光谱的LS-ICA波谱解析棉涤混纺织物模型。在前面研究预处理方法对高光谱数据的影响分析的基础上,首先对高光谱数据采用优选的MSC预处理方法进行数据的预处理,再通过拉普拉斯分数值选出特征光谱数据,采用ICA进行分离,从而构建了LS-ICA波谱解析棉涤混纺织物模型,通过与纯棉、纯涤的二阶导数图谱进行对比分析,纯棉和IC1的二阶导数图谱在波长为1400nm左右、1920nm左右存在明显特征峰;纯涤和IC2的二阶导数图谱在波长为1400nm左右、1700nm左右和1920nm左右存在明显的特征峰。结果表明,LS-ICA模型可对棉涤混纺织物进行波谱解析,能够实现未知类别成分鉴别,最后将其混纺样品带入上述所建的常规定性鉴别模型进行验证,其正确率为100%。针对混纺织物组分含量分析模型构建问题,开展了涤氨、棉涤和粘涤氨混纺织物定量分析模型构建方法的研究。论文分别构建了涤氨定量分析模型、棉涤定量分析模型和粘涤氨定量分析模型。分析了四种预处理方法（SG平滑、MSC、SNV、CWD）结合浓度梯度法、SPXY两种不同样本划分方法对模型精度的影响,采用了MCUVE、VCPA、IVISSA及IRIV进行变量筛选,以提高定量模型的分析精度。通过所建的3个定量模型分别对涤氨、棉涤、粘涤氨3种混纺织物进行预测。结果表明:定量模型一般不具有良好的通用性,只有当组分相同的模型预测其含量,效果才是最佳。即采用涤氨定量模型预测涤氨样本效果最好,采用棉涤定量模型预测棉涤样本效果最好,采用粘涤氨定量模型预测粘涤氨效果最好。因而,构建混纺织物智能分析模型非常必要。为避免待测样本随机盲目带入组分不同的定量模型进行含量预测时导致精度低的问题,就全文而言,若已知大类,通过第三章所分析的常规定性鉴别模型得出组分,可以直接选择组分相同的定量模型进行分析;若未知大类,经过第四章LS-ICA进行波谱解析,通过对比纯物质二阶导数图谱确定其组分（即已知大类）,直接选择分析已知大类的常规定性鉴别模型进行验证,最后在直接选择组分相同定量模型进行分析,预测其含量。根据组分智能选择含有该组分大类的定性模型进行验证鉴别,再根据已知组分,智能选择与该组分相同的定量分析模型进行含量的预测,从而实现混纺织物模型分析的智能化,消除了在模型分析时对模型选择的盲目性,解决了选择模型的耗时长、精度低等问题,提高分析效率。