在陶瓷材料的鉴定和分类中，传统的人工检测方法容易受到主观因素影响，且难以快速、准确地区分不同种类的陶瓷片。高光谱成像技术作为一种非破坏性检测手段，能够有效捕捉材料在不同波长下的光谱特征，从而实现对不同材料的自动分类。为此，本案例利用双利合谱近红外高光谱成像系统GaiaField-R17-HR设备，结合高光谱成像和机器学习模型，成功实现了对陶片与瓷片的精确分类和可视化展示。
采用江苏双利合谱科技有限公司GaiaField-R17-HR近红外高光谱成像系统进行陶瓷片的高光谱图像数据采集。该系统主要由高光谱成像仪、面阵列相机、卤素灯光源、暗箱、计算机组成。
本研究以陶瓷片为研究对象，区分陶片和瓷片。
图像处理分析主要包括图像的预处理与数据分析，图像预处理基于江苏双利合谱科技有限公司提供的高光谱成像系统采集软件SpecView进行高光谱数据的采集。并对采集到的数据进行反射率校正，公式如下：
式中，
是反射率校正后的图像，
是原始图像，
为白板校正图像，
是黑板校正图像，
为白板的反射率。
采用江苏双利合谱科技有限公司开发的HyperScan Pro软件进行陶片和瓷片光谱数据的提取，以框选的方式确定感兴趣（ROI）区域（图1），以每个ROI区域内所有像素点的平均值作为一个光谱数据（图2），每类材料分别确定了124个ROI区域，即每类材料得到了124个数据。
图1. ROI确定方式
图2.光谱数据提取
图3对比124个陶片和瓷片的平均光谱数据和背景数据。从图中能够看出，背景的光谱反射率非常低且平稳，反射率几乎在0.1以下，前后噪音过重，没有波峰波谷的存在，说明背景区域对光的反射较少，光谱特性与陶片和瓷片有明显差异。瓷片与陶片均在大约950 nm之前，反射率有较大的上升，然后在大部分波长段保持相对平稳。在整个波长范围内，瓷片的反射率明显低于陶片，尤其是在波长1000 nm之后，瓷片和陶片的反射率差异逐渐加大，这一部分的差异可以作为分类的依据。另外，两者的曲线形状在总体趋势上有相似性，但反射率水平的显著不同可能表明材料成分或结构的差异。
图3. 陶瓷片及背景的平均光谱曲线
从图2能够看出，采集到的光谱数据存在较大的噪声，为了去除光谱数据中的噪声、校正背景和基线漂移，提升信号质量，从而使后续的分析、建模和分类更加准确，本研究采用了S-G滤波结合MSC方法对原始光谱数据进行了预处理。能够看出经过预处理后的光谱更加的平滑与聚集，特征峰也更加的明显（图4）。
图4. 经过预处理后的陶瓷片光谱曲线
本试验采用支持向量机（SVM）模型进行陶瓷片的分类识别，在建立定性模型之前，采用Kennard-Stone (KS)算法以7:3的比例对数据集进行划分，将70%的数据用于模型训练，30%的数据用于模型测试。最终训练集174个，测试集74个。在SVM训练过程中，c和g是两个关键参数，经过不断调试，最终得到*优的c和g，分别为16和0.0625，核函数采用的是RBF径向基核函数，最终测试集分类准确率、平均精度和平均召回率均为1，表1为测试集的混淆矩阵。
表1. 测试集混淆矩阵
混淆矩阵 | 真实值 | ||
陶片 | 瓷片 | ||
预测值 | 陶片 | 41 | 0 |
瓷片 | 0 | 33 | |
为了验证该模型的实际应用效果，我们拍摄了一批混合摆放的陶片与瓷片的高光谱图像，首先对其中一个波段的灰度图像进行图像处理以去除背景信息，得到每个样本的ROI区域，之后将确定过ROI区域的图像映射到高光谱图像上，提取每个样本中所有像素点的光谱数据。图中前两行样本为陶片，后两行以及右上角和右下角的样本为瓷片。结合之前训练的高精度SVM分类模型，对每个像素点的类别进行了预测，并通过可视化技术展示了陶片与瓷片的分布情况。图5中绿色区域为瓷片，红色区域为陶片，能够看出通过高光谱技术实现了对陶瓷片的有效识别。
图5. 陶瓷片分类情况可视
