高光谱成像技术在纺织品回收分类中的应用

在当前节约资源、减少浪费的全球行动中，纺织品回收已成为一项亟待解决的重大挑战。据统计，仅有15%的纺织品能够被回收再利用，而剩余的85%则不幸被填埋。其中，纺织品回收项目面临的一个核心难题是：如何在高吞吐量的环境下，准确辨别外观极为相似的各类织物。

传统分选方法的局限性

传统的分选手段存在诸多不足。例如，空气分级机在处理密度和空气阻力相近的织物时，往往难以准确区分；化学分选虽然精确度高，但却会破坏材料的原有结构，且对于羊毛等特定织物并不适用；而依赖RGB或多光谱成像的传感器，也仅仅能够提供面料的光谱特性，无法有效辨识质地差异明显的面料。因此，我们迫切需要一种高效、非接触式的分类技术，以实现对面料和混纺面料的高速、准确分类。

高光谱成像技术的引入与实验

为了应对这一挑战，我们引入了高光谱成像技术，并开展了相关实验。实验中，我们准备了颜色各异、棉、羊毛或合成混纺比例不同的布料样品，并使用高光谱相机SP130M对它们进行扫描。随后，通过专业的分类软件对收集到的高光谱数据进行处理和分析。

实验涉及的布料品种繁多，包括丙烯酸纤维、棉布、亚麻布、尼龙、聚酯纤维、粘胶以及羊毛等。然而，在近红外波段，一些天然织物如棉和丝的谱线几乎完全一致，还有许多织物与棉的谱线也极为接近，这无疑增加了分类的难度。

近红外波段的织物平均光谱，一些天然织物比如棉和丝的谱线几乎完全一样

近红外波段的很多织物和棉有接近的谱线

收集纯织物光谱库，建立分类模型，并对不同成分比例的织物样品进行扫描，建立回归模型估算未知样品的成分比例。

分类模型的建立与优化

为了克服这些困难，我们着手建立了分类模型。鉴于许多织物品种在化学和物理特性上的高度相似性，使得机械分拣机和普通相机难以将它们区分开来。从近红外范围（900nm至1700nm）收集的不同织物光谱图中，我们也可以清晰地看到这一点。

为此，我们针对不同面料建立了二元分类模型，以判断样品中是否包含特定材料。在一个具体的分类模型中，我们设定了背景、涤纶面料和非涤纶面料三个类别。该模型仅使用纯面料样品进行训练，而针对混合面料样品进行测试。实验结果显示，当使用5%像素阈值进行排序时，模型的准确率达到了100%；即便在使用1%像素阈值的情况下，准确率也高达98%。这一令人振奋的成功率表明，通过定制模型并针对特定类型面料进行排序，同时结合多阶段排序选项，我们可以显著提升分类性能。

此外，考虑到大多数服装都是由多种面料混纺而成，我们还建立了回归模型。利用不同比例的棉混纺样品进行模型训练，这些样品在混纺比例、浓度和颜色上均存在差异。训练集表现出了极强的相关性，并且通过回归可视化工具，我们可以更加清晰地观察到不同织物之间的差异，甚至超过了肉眼所能辨识的程度。