在陶瓷材料的鑒定和分類中，傳統(tǒng)的人工檢測方法容易受到主觀因素影響，且難以快速、準確地區(qū)分不同種類的陶瓷片。高光譜成像技術作為一種非破壞性檢測手段，能夠有效捕捉材料在不同波長下的光譜特征，從而實現(xiàn)對不同材料的自動分類。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設備，結合高光譜成像和機器學習模型，成功實現(xiàn)了對陶片與瓷片的精確分類和可視化展示。
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、鹵素燈光源、暗箱、計算機組成。
本研究以陶瓷片為研究對象，區(qū)分陶片和瓷片。
圖像處理分析主要包括圖像的預處理與數(shù)據(jù)分析，圖像預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進行高光譜數(shù)據(jù)的采集。并對采集到的數(shù)據(jù)進行反射率校正，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。
采用江蘇雙利合譜科技有限公司開發(fā)的HyperScan Pro軟件進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ROI區(qū)域內所有像素點的平均值作為一個光譜數(shù)據(jù)（圖2），每類材料分別確定了124個ROI區(qū)域，即每類材料得到了124個數(shù)據(jù)。
圖1. ROI確定方式
圖2.光譜數(shù)據(jù)提取
圖3對比124個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，前后噪音過重，沒有波峰波谷的存在，說明背景區(qū)域對光的反射較少，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，然后在大部分波長段保持相對平穩(wěn)。在整個波長范圍內，瓷片的反射率明顯低于陶片，尤其是在波長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構的差異。
圖3. 陶瓷片及背景的平均光譜曲線
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，提升信號質量，從而使后續(xù)的分析、建模和分類更加準確，本研究采用了S-G濾波結合MSC方法對原始光譜數(shù)據(jù)進行了預處理。能夠看出經(jīng)過預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)過預處理后的陶瓷片光譜曲線
本試驗采用支持向量機（SVM）模型進行陶瓷片的分類識別，在建立定性模型之前，采用Kennard-Stone (KS)算法以7:3的比例對數(shù)據(jù)集進行劃分，將70%的數(shù)據(jù)用于模型訓練，30%的數(shù)據(jù)用于模型測試。最終訓練集174個，測試集74個。在SVM訓練過程中，c和g是兩個關鍵參數(shù)，經(jīng)過不斷調試，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)，最終測試集分類準確率、平均精度和平均召回率均為1，表1為測試集的混淆矩陣。
表1. 測試集混淆矩陣
混淆矩陣 | 真實值 | ||
陶片 | 瓷片 | ||
預測值 | 陶片 | 41 | 0 |
瓷片 | 0 | 33 | |
為了驗證該模型的實際應用效果，我們拍攝了一批混合擺放的陶片與瓷片的高光譜圖像，首先對其中一個波段的灰度圖像進行圖像處理以去除背景信息，得到每個樣本的ROI區(qū)域，之后將確定過ROI區(qū)域的圖像映射到高光譜圖像上，提取每個樣本中所有像素點的光譜數(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。結合之前訓練的高精度SVM分類模型，對每個像素點的類別進行了預測，并通過可視化技術展示了陶片與瓷片的分布情況。圖5中綠色區(qū)域為瓷片，紅色區(qū)域為陶片，能夠看出通過高光譜技術實現(xiàn)了對陶瓷片的有效識別。
圖5. 陶瓷片分類情況可視
8
立即詢價
您提交后，專屬客服將第一時間為您服務