一、背景

在陶瓷材料的鑒定和分類中，傳統(tǒng)的人工檢測(cè)方法容易受到主觀因素影響，且難以快速、準(zhǔn)確地區(qū)分不同種類的陶瓷片。高光譜成像技術(shù)作為一種非破壞性檢測(cè)手段，能夠有效捕捉材料在不同波長(zhǎng)下的光譜特征，從而實(shí)現(xiàn)對(duì)不同材料的自動(dòng)分類。為此，本案例利用雙利合譜近紅外高光譜成像系統(tǒng)GaiaField-R17-HR設(shè)備，結(jié)合高光譜成像和機(jī)器學(xué)習(xí)模型，成功實(shí)現(xiàn)了對(duì)陶片與瓷片的精確分類和可視化展示。

二、試驗(yàn)材料與方法

2.1試驗(yàn)設(shè)別

采用江蘇雙利合譜科技有限公司GaiaField-R17-HR近紅外高光譜成像系統(tǒng)進(jìn)行陶瓷片的高光譜圖像數(shù)據(jù)采集。該系統(tǒng)主要由高光譜成像儀、面陣列相機(jī)、鹵素?zé)艄庠础迪洹⒂?jì)算機(jī)組成。

2.2試驗(yàn)材料

本研究以陶瓷片為研究對(duì)象，區(qū)分陶片和瓷片。

2.3圖像處理分析

圖像處理分析主要包括圖像的預(yù)處理與數(shù)據(jù)分析，圖像預(yù)處理基于江蘇雙利合譜科技有限公司提供的高光譜成像系統(tǒng)采集軟件SpecView進(jìn)行高光譜數(shù)據(jù)的采集。并對(duì)采集到的數(shù)據(jù)進(jìn)行反射率校正，公式如下：

式中，是反射率校正后的圖像，是原始圖像，為白板校正圖像，是黑板校正圖像，為白板的反射率。

2.4 光譜數(shù)據(jù)提取

采用江蘇雙利合譜科技有限公司開發(fā)的HyperScan Pro軟件進(jìn)行陶片和瓷片光譜數(shù)據(jù)的提取，以框選的方式確定感興趣（ROI）區(qū)域（圖1），以每個(gè)ROI區(qū)域內(nèi)所有像素點(diǎn)的平均值作為一個(gè)光譜數(shù)據(jù)（圖2），每類材料分別確定了124個(gè)ROI區(qū)域，即每類材料得到了124個(gè)數(shù)據(jù)。

圖1. ROI確定方式

圖2.光譜數(shù)據(jù)提取

三、結(jié)果與分析

3.1陶片、瓷片、以及背景光譜分析

圖3對(duì)比124個(gè)陶片和瓷片的平均光譜數(shù)據(jù)和背景數(shù)據(jù)。從圖中能夠看出，背景的光譜反射率非常低且平穩(wěn)，反射率幾乎在0.1以下，前后噪音過(guò)重，沒(méi)有波峰波谷的存在，說(shuō)明背景區(qū)域?qū)獾姆瓷漭^少，光譜特性與陶片和瓷片有明顯差異。瓷片與陶片均在大約950 nm之前，反射率有較大的上升，然后在大部分波長(zhǎng)段保持相對(duì)平穩(wěn)。在整個(gè)波長(zhǎng)范圍內(nèi)，瓷片的反射率明顯低于陶片，尤其是在波長(zhǎng)1000 nm之后，瓷片和陶片的反射率差異逐漸加大，這一部分的差異可以作為分類的依據(jù)。另外，兩者的曲線形狀在總體趨勢(shì)上有相似性，但反射率水平的顯著不同可能表明材料成分或結(jié)構(gòu)的差異。

圖3. 陶瓷片及背景的平均光譜曲線

3.2 光譜數(shù)據(jù)處理

從圖2能夠看出，采集到的光譜數(shù)據(jù)存在較大的噪聲，為了去除光譜數(shù)據(jù)中的噪聲、校正背景和基線漂移，提升信號(hào)質(zhì)量，從而使后續(xù)的分析、建模和分類更加準(zhǔn)確，本研究采用了S-G濾波結(jié)合MSC方法對(duì)原始光譜數(shù)據(jù)進(jìn)行了預(yù)處理。能夠看出經(jīng)過(guò)預(yù)處理后的光譜更加的平滑與聚集，特征峰也更加的明顯（圖4）。

圖4. 經(jīng)過(guò)預(yù)處理后的陶瓷片光譜曲線

3.3基于SVM的陶瓷片分類識(shí)別

本試驗(yàn)采用支持向量機(jī)（SVM）模型進(jìn)行陶瓷片的分類識(shí)別，在建立定性模型之前，采用Kennard-Stone (KS)算法以7:3的比例對(duì)數(shù)據(jù)集進(jìn)行劃分，將70%的數(shù)據(jù)用于模型訓(xùn)練，30%的數(shù)據(jù)用于模型測(cè)試。最終訓(xùn)練集174個(gè)，測(cè)試集74個(gè)。在SVM訓(xùn)練過(guò)程中，c和g是兩個(gè)關(guān)鍵參數(shù)，經(jīng)過(guò)不斷調(diào)試，最終得到*優(yōu)的c和g，分別為16和0.0625，核函數(shù)采用的是RBF徑向基核函數(shù)，最終測(cè)試集分類準(zhǔn)確率、平均精度和平均召回率均為1，表1為測(cè)試集的混淆矩陣。

表1. 測(cè)試集混淆矩陣

為了驗(yàn)證該模型的實(shí)際應(yīng)用效果，我們拍攝了一批混合擺放的陶片與瓷片的高光譜圖像，首先對(duì)其中一個(gè)波段的灰度圖像進(jìn)行圖像處理以去除背景信息，得到每個(gè)樣本的ROI區(qū)域，之后將確定過(guò)ROI區(qū)域的圖像映射到高光譜圖像上，提取每個(gè)樣本中所有像素點(diǎn)的光譜數(shù)據(jù)。圖中前兩行樣本為陶片，后兩行以及右上角和右下角的樣本為瓷片。結(jié)合之前訓(xùn)練的高精度SVM分類模型，對(duì)每個(gè)像素點(diǎn)的類別進(jìn)行了預(yù)測(cè)，并通過(guò)可視化技術(shù)展示了陶片與瓷片的分布情況。圖5中綠色區(qū)域?yàn)榇善t色區(qū)域?yàn)樘掌軌蚩闯鐾ㄟ^(guò)高光譜技術(shù)實(shí)現(xiàn)了對(duì)陶瓷片的有效識(shí)別。

圖5. 陶瓷片分類情況可視