高光谱成像结合BP神经网络的聚酯织物水分含量检测

背景：

聚酯是全球应用最广泛的合成纤维，其质量检测受到制造商、消费者和政府部门的高度关注。其中，水分含量是关键指标之一，直接影响聚酯面料的加工性能、机械与热学特性、电导率等。目前常用的烘干法虽精度高，但存在检测延迟、无法实现在线检测等问题；而电阻法虽快捷低成本，但受温湿度和织物厚度影响较大，精度不足。随着现代纺织工业对高效、精准检测需求的提升，传统检测手段已难以满足要求。高光谱成像技术因其非接触、快速、可在线分析等优势，逐渐在农业、食品、生物等领域展现出潜力，但在织物水分检测领域尚处于发展初期，且现有模型多建立在单一规格织物基础上，存在推广适用性差、变量选取与建模方法有待优化等问题。因此，亟需开发一种基于高光谱成像的、适用于多规格织物的高精度水分检测新方法。

作者信息： 祝成炎，浙江理工大学材料与纺织学院，博士生导师

期刊来源：Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy

研究内容

作者在920.8-2528.6 nm波长范围内获取了不同规格、不同含水率的涤纶织物的高光谱图像，分析了含水率对涤纶织物光谱特性的影响，选择并确定了面积和半高宽以涤纶织物在1363和1890 nm波长附近的特征峰为光谱表征变量，建立了基于BP神经网络的织物水分检测模型，验证了高光谱成像和BP神经网络用于涤纶织物水分检测的可行性和准确性。

实验设计

本研究选取了三种不同规格的聚酯织物，分别是厚度为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）的白色聚酯织物。样品的尺寸为20×20厘米，共收集了150组不同规格和水分含量的样品。通过自然蒸发和烘箱干燥来调节水分含量。

本研究中使用的高光谱成像系统是由江苏双利合谱科技有限公司设计和开发的GaiaSorter-Dual全波段高光谱成像系统，如图1所示。该成像系统采用推扫式（push-broom）成像方式，光谱范围为920.8–2528.6纳米，光谱分辨率为5.7纳米，有效狭缝长度为9.6毫米，狭缝宽度为30微米，包含256个光谱通道，像素尺寸为30×30微米。图像采集速度设置为3厘米/秒，曝光时间为6毫秒，帧率为70赫兹。

图1. GaiaSorter-Dual全波段高光谱成像系统

研究方法

由于多种因素的影响，例如外部光照强度、高光谱系统相机的暗电流以及其他来源，采集到的高光谱图像信息可能包含大量噪声信号。因此，在获取聚酯织物的光谱图像之前，在实验环境中采集标准板和背景板的光谱图像，以校正聚酯织物光谱图像的反射率。此外采用多散射校正（MSC）、标准正态变量（SNV）以及一阶导数预处理方法消除基线漂移等因素对光谱曲线的干扰。采用半高全宽（FWHM）评估和筛选水分相关的有效波段，FWHM是用来衡量高光谱数据中特征吸收峰宽度的重要参数之一，反映了谱线的分布范围和吸收强度变化的锐利程度。

在模型建立方面，基于BP神经网络检测聚酯织物的水分含量，BP神经网络的整体结构如图2所示。

图2. BP神经网络结构图

结果

在本研究中，通过高光谱成像系统获取了150组不同规格和不同水分含量的聚酯织物的高光谱图像。在本节中，我们对三种不同厚度条件下不同水分含量的聚酯织物的光谱曲线进行了特征分析，并研究了这些光谱曲线之间的形态差异。这些聚酯织物的光谱曲线如图3所示。

图3. 聚酯织物的光谱曲线

光谱特征通常通过特征峰的数量、位置、强度和形状来表达。图3(a)表明，在920.8–2528.6纳米的波长范围内，聚酯织物表现出八个明显的特征峰。研究表明，随着水分含量的增加，聚酯织物在1363 nm和1890 nm附近的特征峰面积增大，且形状发生改变（图4）。因此，确定了1363 nm和1890 nm附近的特征峰以供进一步研究。计算这两个峰的面积和FWHM并将其作为光谱特征变量。

图4. 光谱特征变量。

基于1363 nm和1890 nm特征峰面积和半高全宽（FWHM）的模型回归图如图5所示。通过比较以1363 nm特征峰的面积和FWHM作为光谱特征变量所开发的模型与以相同变量选择的1890 nm所开发的模型，可以观察到后者表现出更优的性能。以1363 nm特征峰的面积和FWHM作为光谱特征变量所开发的模型在测试集上的R值为0.97248，均方误差（MSE）为0.04848%。相比之下，以1890 nm特征峰的面积和FWHM作为光谱特征变量所开发的模型在测试集上的R值为0.99629，MSE为0.00695%。

当模型同时使用1363 nm和1890 nm两个特征峰的面积和半高宽（FWHM）作为光谱特征变量时，训练集、验证集和测试集的MSE值均低于0.0015%，表明模型整体误差较小。测试集的相关系数（R值）达到0.99952，MSE为0.00090%（RMSE为0.2998%，即测试集中水分含量的预测误差约为0.2998 wt%）。MSE与R值综合表明，使用1363 nm和1890 nm特征峰的面积和FWHM作为光谱特征变量构建的模型具有极佳的性能。其相关性强（R值大于0.999），误差低（MSE小于0.0015%，RMSE小于0.3873%），显示该模型预测精度高。总体而言，在以1890 nm单一变量建模的基础上，进一步引入1363 nm特征峰的面积和FWHM可进一步提高相关性并降低误差。

图5. 基于1363 nm和1890 nm特征峰面积及半高全宽（FWHM）的模型回归图

此外，为比较不同建模方法对模型性能的影响，研究分别基于PLS与BP神经网络方法，以1363 nm和1890 nm两个特征峰的面积与FWHM为特征变量构建水分检测模型。结果显示，将建模方法从BP神经网络更换为PLS后，模型R值从0.999下降至0.980，RMSE显著上升至2.045%。

综上，采用1363 nm和1890 nm特征峰的面积与FWHM作为光谱特征变量，并选用BP神经网络作为建模方法，可将涤纶织物水分含量检测的预测误差控制在约0.3 wt%（检测范围为0–30%）以内，表现出极高的可行性与准确性。

结论

本研究旨在验证将高光谱成像技术与BP神经网络相结合，用于定量检测聚酯织物含水率的可行性与准确性。研究中采集了不同规格和含水率的聚酯织物样本的高光谱图像，分析了其光谱曲线特征，并探讨了含水率变化对聚酯织物光谱曲线的影响。通过对纯水的近红外吸收曲线以及聚酯织物光谱曲线与含水率参数之间关系的分析，确定了光谱特征变量的位置。研究采用特征峰面积与半高宽（FWHM）代替传统的特征波长，构建基于高光谱图像与BP神经网络的含水率检测模型，并对该模型进行了验证。研究得出以下详细结论：

1. 水分含量和织物规格（即厚度）对聚酯织物光谱曲线的整体反射强度有影响。然而，水分含量的变化也会改变特征峰的位置和形状。随着水分含量的增加，聚酯织物在1626 nm处的最显著特征峰面积减小，而靠近1363 nm和1890 nm波长的特征峰的面积和宽度持续增加。主要原因在于，O–H键在1450 nm和1940 nm附近的近红外光区域因伸缩振动和变角振动而吸收光线，从而随着水分含量的增加，导致1363 nm和1890 nm波长附近的特征峰的高度、宽度和面积增加。

2. 通过分析纯水的近红外吸收曲线以及聚酯织物光谱曲线与水分含量参数之间的关系，确定了光谱特征变量的波长范围。基于上述分析，1363 nm和1890 nm波长处的特征峰面积和FWHM被认为是具有代表性的光谱特征变量。因此，从当前光谱参数中选取并计算了这些新的光谱特征变量。此外，这一过程降低了模型的计算复杂性，有效提取了特征峰的整体形状信息，并提高了实际检测的效率。

3. 基于高光谱成像和BP神经网络的聚酯织物水分含量检测模型，以1363 nm和1890 nm波长处的特征峰面积和FWHM作为光谱特征变量，被证明是高效且能够进行准确预测的。该模型对测试集的R值为0.99952，均方误差（MSE）值仅为0.00090%，均方根误差（RMSE）值为0.2998%，这意味着水分含量检测误差低于0.3 wt%。在所使用的变量中，1890 nm特征峰的面积和FWHM是检测聚酯织物水分含量的最重要的光谱特征变量。

该方法为纺织行业快速且精准的水分含量检测提供了一种有效手段。