一、背景

在陶瓷材料的鑒定和分類中，傳統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GaiaField-R17-HR設備，結合高光譜成像和機器學習模型，成功實現了對陶片與瓷片的精確分類和可視化展示。

二、試驗材料與方法

2.1試驗設別

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進行陶瓷片的高光譜圖像數據采集。該系統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。

2.2試驗材料

本研究以陶瓷片為研究對象，區分陶片和瓷片。

2.3圖像處理分析

圖像處理分析主要包括圖像的預處理與數據分析，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采集軟件SpecView進行高光譜數據的采集。并對采集到的數據進行反射率校正，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。

2.4 光譜數據提取

采用江蘇雙利合譜科技有限公司開發的HyperScan Pro軟件進行陶片和瓷片光譜數據的提取，以框選的方式確定感興趣（ROI）區域（圖1），以每個ROI區域內所有像素點的平均值作為一個光譜數據（圖2），每類材料分別確定了124個ROI區域，即每類材料得到了124個數據。

圖1. ROI確定方式

圖2.光譜數據提取

三、結果與分析

3.1陶片、瓷片、以及背景光譜分析

圖3對比124個陶片和瓷片的平均光譜數據和背景數據。從圖中能夠看出，背景的光譜反射率非常低且平穩，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。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。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

3.2 光譜數據處理

從圖2能夠看出，采集到的光譜數據存在較大的噪聲，為了去除光譜數據中的噪聲、校正背景和基線漂移，提升信號質量，從而使后續的分析、建模和分類更加準確，本研究采用了S-G濾波結合MSC方法對原始光譜數據進行了預處理。能夠看出經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. 經過預處理后的陶瓷片光譜曲線

3.3基于SVM的陶瓷片分類識別

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的比例對數據集進行劃分，將70%的數據用于模型訓練，30%的數據用于模型測試。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，經過不斷調試，最終得到*優的c和g，分別為16和0.0625，核函數采用的是RBF徑向基核函數，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

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區域，之后將確定過ROI區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據。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中綠色區域為瓷片，紅色區域為陶片，能夠看出通過高光譜技術實現了對陶瓷片的有效識別。

圖5. 陶瓷片分類情況可視