在线近红外+人工智能实现废旧纺织品自动识别分拣——寻找光谱仪器“创新的力量”系列约稿
来源：贝博足球app平台 发布时间：2024-09-22 09:13:18在线近红外+人工智能实现废旧纺织品自动识别分拣——寻找光谱仪器“创新的力量”系列约稿
未来一段时期，近红外光谱技术将会得到加速发展，以近红外光谱为核心的商业产品将在不同业务领域进一步提供深化和细化的服务，近红外光谱有望成为与时代发展特征（如大数据、云计算和物联网）最相关的一项分析技术。
《中华人民共和国国民经济与社会持续健康发展第十四个五年规划和2035年远大目标纲要》把创新放在了具体任务的第一位，全文160余次提到了“创新”关键词。2022年第十三届全国人民代表大会第五次会议上，国务院总理所作的政府工作报告中，亦精确指出要坚持创新驱动发展。对科学仪器产业而言，“创新”更是至关重要。近年来，我国对科学仪器的创新和研发格外的重视，先后设立了“科学仪器基础研究专项”、“国家重大科研仪器设施研制专项”和“国家重大科学仪器设施开发专项”等科研计划等。2021年11月，北京“十四五”规划也指出要支持开展关键仪器设施研发，支持挖掘一批服务于重大科学技术基础设施的定制化科学仪器和设备，重点突破研发新一代光谱等关键技术。
不断高攀的前沿研究是创新，差异化的产品发展也是创新。为了展现光谱仪器的创新成果，分享光谱仪器研发和应用中的创新思维，共同促进光谱仪器产业化的创新发展，仪器信息别策划
（1）近红外光谱数据库的建立及更新。校准模型的预测性能直接决定了近红外光谱定量和定性分析的能力，而校准模型往往需要针对不一样的样本类型单独建立，要消耗大量的人力物力。比如，已有一个地区的苹果水分含量分析的近红外光谱校准模型，这个模型适用于同一地区的苹果，却不适用于不一样的地区苹果的水分预测。解决这一个问题的方法是扩充苹果近红外光谱数据库。如果能获得全世界苹果的近红外光谱和水分属性，那么所建立的校准模型的涵盖性就会非常强，适用于任何地区的苹果水分分析。
（2）近红外光谱仪的创新。校准模型的预测能力充分依赖输入的近红外光谱数据，而光谱数据通常不一致。要获得一致的光谱数据，需要测量光谱的光谱仪长期保持性能的稳定。然而，在实际的应用中，光谱
的一致性产生一定的影响，这一些因素都会使得已建立的校准模型失效。同时，光谱仪之间测量的偏差也会导致对同一被测物定量定性分析的失败。（3）提高检测精确度。在近红外的波段区域，含氢化合物的吸收系数较小，所以尽管使用高效的化学计量学软件建立分析模型，其最终定量分析的预测结果也始终没有办法达到真实值
检测限较高，通常达到0.1%左右。为客服检测限高的问题，可采用样本预处理方法（比如固相微萃取等富集方法）提高精检度，但如此操作会使近红外光谱分析技术失去其优点和特色，反而不是最佳的分析方法。仪器信息网：近红外光谱与拉曼光谱相比，
分析技术，它具有无损、快速，应用广泛等优点，在化工、农业、环境、医药等领域发展极为广泛。与化学计量学软件、光谱仪和应用模型结合，拓展了近红外光谱仪的应用领域。近红外光谱仪目前在过程分析技术中发挥着非常非常重要的作用，发展飞快。近红外光谱分析技术在几十年的发展中，逐步扩大其涉足领域以及应用的实效性，除应用于农业和食品分析外，还涉及生物、高分子、制药、石油化学工业、纺织、纤维等学科，只要是对有机物检测分析的行业基本上均可使用近红外分析技术。在我国，近红外光谱分析研究始于20世纪80年代初，现已逐步涉及谷物等农产品分析、饲料分析、石油化学工业、药物分析、疫情疫病诊断等方面，并伴随出现在专著出版、仪器制造和软件开发中。随着软硬件的更新换代，NIR还有望应用于其他更多方面。
拉曼光谱具有无损、快速、制样简单、可微区分析、操作简单便捷等优点，因此，拉曼可以对实验过程进行实时监测。拉曼光谱在鉴别时，为提升鉴别准确率，样品有必要进行预处理。拉曼光谱对环境要求不高，而且非接触式稳定性高，但是在纺织领域还有待探索，在以后的废旧纺织品鉴别研究中都能够直接进行研究。
用的瓶颈，与新疆乌鲁木齐海关、深圳海关、新疆大学、北京服装学院等单位合作，采用近红外光谱仪设计了一套废旧纺织品自动识别分拣设备（如图3所示）。该设备实现废旧纺织品从输送、检测、分拣、回收利用等生产的全部过程中的自动化、智能化。全方面提升纺织行业废旧纺织品检测、分拣的自动化水平，降低废旧纺织品带来的环境影响，以及资源的浪费，缓解劳动力紧张的局面，为推动纺织业健康可持续发展具备极其重大意义。图
该设备是基于近红外光谱来识别纺织品中的纤维种类和含量。在研发过程中我们克服了算法自主编写以及工控机对接的难题，最终开发一种废旧纺织品自动识别分拣系统
该系统利用自行开发的在线近红外光谱分析装置，建立了一个在线近红外（NIR）光谱库，包括聚酯、棉花、羊毛等十几种常见纺织品。我们将人工智能技术引入到废旧纺织品的识别和分拣中，利用卷积神经网络（CNN）废旧纺织品的在线近红外定性识别模型，有效提升废旧纺织品中不同纤维成分的检测准确性水平和速度，从而提升产业化加工效率。图
龑：人工智能分拣设备主要是通过云端大数据、AI算法、融合传感器（分为触觉、视觉传感系统，目前普遍应用的为视觉传感系统）、机器臂/喷气设备等软硬件配合开展工作。
具体构成及运作原理如下：（1）云端大数据：采集各种各样纺织样品的图片，包含废纺织品、旧纺织品、混纺织物等各种状态下图片，形成云端数据库。
（2）AI算法：设备中内置的AI算法通过云端海量图像数据对机器人进行训练。前期海量数据的采集保证了无论废旧纺织品是何种状态、是否被遮挡，机器人都可以识别。
（3）融合传感器：利用计算机视觉扫描快速移动的物体，通过CCD视觉、激光视觉、近红外视觉等识别传感系统相耦合，综合判断目标物的外部特征（颜色、形状、结构等）与内部特征（材质），实现废旧纺织品精准定位与细分判别。然后将识别结果传输给协作机器，控制机器臂/喷气设备运动。
（4）机器臂/喷气设备：机器臂/喷气设备从传送带上准确地抓取要回收的纺织品，
的分类收集箱中。人工智能软件识别与机器臂/喷气设备相结合，类似于人脑的神经网络系统和人的双手相结合，具备了识别和执行的能力。
（5）数据回传：分拣完成后，设备将相关的数据再返回云端，与部署在各地的智能分拣设备实现数据共享和远程智能提升。例如，部署在某纺织分拣中心的智能设备能向部署在全国各地不同智能设备，不同设备还可以互相继承废弃物识别的经验。该数据还能用于帮助项目运营方了解设备状况及并进行产量、工作量、效益等运营维度的统计。
仪器信息网：您对未来光谱仪的创新发展有咋样的展望？有哪些值得期待的技术或者应用？龚
平台、物联网等技术的发展能够正常的看到其对近红外光谱分析技术的推动力量，从工农业生产、服务业和人们日常生活等方面的发展能够正常的看到其对近红外光谱分析技术的需求、牵引力量。在这两种力量的作用下，未来一段时期内，近红外光谱技术将会得到加速发展，以近红外光谱为核心的商业产品将在不同业务领域进一步提供深化和细化的服务，近红外光谱有望成为与时代发展特征（如大数据、云计算和物联网等）最相关的一项分析技术。尽管近红外光谱分析技术的应用前景广阔，但仍有一些技术壁垒和难题需要攻克。例如，目前光谱数据库或模型的仪器供应商依赖（Vendorlock-in)问题，即各厂商的仪器之间有的台间差异，使其普适性的应用迁移变得困难，需要从仪器标准化、算法和软件等多方面协同努力方能得以解决。再例如，无论是传统的机器学习算法还是深度学习算法，都是在有监督学习的框架下建立定性或定量分析模型。所谓有监督学习就是每个训练集样本是带有标签的，即每个样本的光谱对应着一组参考值（真实的浓度值或类别）。随着近红外光谱技术的广泛应用，将产生大量无标签的光谱资源，这些光谱没有对应的参考值，因此，如何充分的利用大量无标签的样本信息进行
或无监督分析模型的构建，有很大的可能是未来很值得研究的新方向。仪器信息网：基于光谱仪的发展现状，您在产学研的道路上开展了哪些工作？龚
一些相关课题，包括2019年的“用于食源性致病菌快检的增强拉曼散射微流控系统关键技术与应用研究”和2020年新疆兵团科技攻关计划项目“棉纺筒纱智能分拣包装关键技术装备研发与示范应用的研究”等，同时还有一些横向课题“运用拉曼光谱技术针对纺织行业气体污染与有毒物质进行快速检测的方法应用”、“城市废旧纺织品成分快速鉴别、分拣与再利用技术”等等，都是运用光谱技术进行了应用与创新。我培养的研究生也在光谱领域进行了探索，在《The International Journal of Life Cycle Assessment》、《上海纺织科技》、《毛纺科技》等发表相关论文，在第六届、第七届中国国际“互联网+”大学生创新创业大赛中荣获一银一铜。我觉得在产学研的道路上我们还需要继续前进，现阶段的学生培养模式还需继续探索，在探索的过程中，找到符合当前产学研的一种新模式。团队介绍：北服检测215实验室成立于2008年，
主要致力于纺织服装标准的制定以及光谱分析技术。制定纺织服装标准可以加强人们的环保意识，使企业也慢慢变得重视环保纺织品的研发、生产和加工。随着光谱学的持续不断的发展，不同的光谱分析方法也相继建立，并出现相应的光谱分析仪器。光谱分析方法在定性、定量、结构分析方面有着优越的表现，并已大范围的应用于生命科学、医学、食品、化工、医药、环境、纺织、空间探索等领域。团队近两年联合南京中拓科技有限公司在研发
分拣设备，运用近红外光谱进行定性分析，研发分类算法以及装备设计及制造，实现废旧纺织品从输送、检测、分拣等生产的全部过程中的自动化、智能化，全方面提升纺织行业废旧纺织品检测、分拣的自动化水平，达到废旧纺织品的再利用，降低资源对环境影响及资源浪费的目标。
