在众多节约和减少浪费的努力中，纺织品仍然是最大的挑战之一。只有 15% 被回收和再利用，而其余 85% 最终被填埋。纺织品回收项目面临的挑战是在高吞吐量下辨别外观相似的织物。

传统分选方法（如空气分级机）对于密度和空气阻力相似的织物容易出错。化学分选的准确性很高，但需要破坏现有材料，并且不适用于某些织物（如羊毛）。

其他依赖 RGB 或多光谱成像的传感器只能提供不同面料的光谱特性，无法充分区分不同质地的面料。理想解决方案是非接触式分类器，它可以高速对不同的面料和混纺面料进行分类。

实验概述

提供了不同颜色的布料，每块布料的棉、羊毛或合成混纺比例各不相同。使用高光谱相机NIR扫描台上的布料样品，并使用分类软件处理高光谱数据。              

布料品种包括：丙烯酸纤维、棉布、亚麻布、尼龙、聚酯纤维、粘胶、羊毛。

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

许多织物品种具有相似的化学和物理特性，这就是为什么机械分拣机和普通相机很难区分它们的原因。
从近红外范围（900 nm 至 1700 nm）收集的不同织物的光谱图也可以看出这一点。

为了解决这个问题，我们针对不同的面料建立了一个二元分类模型，以确定样品是否包含特定材料。在对页顶部显示的分类模型中，我们创建了三个类别：背景、涤纶面料和非涤纶面料。分类模型仅针对纯面料样品进行训练，并针对混合面料样品进行测试。当使用 5% 像素阈值进行排序时，该模型的准确率为 100%，当使用 1% 像素阈值进行排序时，准确率为 98%。有了这样的成功率，定制模型可以通过针对特定类型的面料进行排序并使用多阶段排序选项来提供更好的性能。

第一张图片是近红外扫描的织物样本的伪rgb着色，其中95%是涤纶和5%是羊毛。

第二张图是图像的逐像素分类，说明分类模型能够区分织物中含有涤纶的区域和含有羊毛的区域。

回归模型

由于大多数服装都是多种面料的混纺，因此理想的分拣解决方案应包括一种估算面料成分的方法。使用不同比例的棉混纺样品建立了回归模型。样品的混纺、浓度和颜色各不相同。

训练集表现出很强的相关性，并且利用回归可视化工具，不同的织物线比肉眼更明显。

总结

许多织物在 NIR 光谱范围内具有不同的光谱特征，高光谱成像和分类模型可以配对使用以识别这些织物。专门的二元模型提供了一种多阶段方法来对相似的纯织物进行分类。对于混纺织物，高光谱成像提供了一种估算百分比成分的方法。高光谱在线织物分类用于对我们的回收织物进行分类和重新利用。

（文章来源于撸陆，如有侵权，请联系删文）