摘 要：本发明涉及成熟度检测技术领域，公开了一种苎麻纤维成熟度检测方法及系统，包括获取待测苎麻纤维样品的光谱数据并计算光谱扭转矩；基于光谱扭转矩，通过非线性映射函数，确定分数阶微分阶次；对光谱数据进行处理，得到微分光谱曲线；进行傅里叶变换，获得频率域信号；确定累积能量百分位阈值，并以频率域信号的能量从低频到高频的累积积分值达到累积能量百分位阈值时的频率作为分割频率，将频率域信号划分为低频带与高频带；分别计算低频带与高频带的能量积分，并计算高低频能量比；通过支持向量回归模型，确定苎麻纤维样品的成熟度。本发明能够在增强有效信号的同时抑制噪声，提高苎麻纤维成熟度的检测精度。
权利说明书
1.一种苎麻纤维成熟度检测方法，其特征在于，包括如下步骤：
获取待测苎麻纤维样品的光谱数据；计算所述光谱数据的光谱扭转矩，所述光谱扭转矩为光谱数据中各波长点处的强度值与所述波长点到预设中心波长距离的乘积沿波长轴的积分；
基于所述光谱扭转矩，通过预设的非线性映射函数，确定分数阶微分阶次；采用所述分数阶微分阶次对所述光谱数据进行处理，得到微分光谱曲线；对所述微分光谱曲线进行傅里叶变换，获得频率域信号；
基于所述光谱扭转矩确定累积能量百分位阈值，并以所述频率域信号的能量从低频到高频的累积积分值达到所述累积能量百分位阈值时的频率作为分割频率，将所述频率域信号划分为低频带与高频带；分别计算所述低频带与高频带的能量积分，并计算二者的比值，得到高低频能量比；
将所述高低频能量比与所述光谱扭转矩作为特征输入，通过预设的支持向量回归模型，确定苎麻纤维样品的成熟度。
2.根据权利要求1所述的苎麻纤维成熟度检测方法，其特征在于，所述获取待测苎麻纤维样品的光谱数据，包括：
采用近红外光谱仪在400nm至2500nm的波长范围内，以2nm的采样间隔扫描所述苎麻纤维样品，采集苎麻纤维样品的漫反射光谱作为光谱数据。
3.根据权利要求1所述的苎麻纤维成熟度检测方法，其特征在于，所述计算所述光谱数据的光谱扭转矩，包括：
将所述光谱数据采集范围的中心波长1450nm设置为所述预设中心波长。
4.根据权利要求1所述的苎麻纤维成熟度检测方法，其特征在于，所述非线性映射函数为：
其中，为所述分数阶微分阶次， 为所述光谱扭转矩。
5.根据权利要求1所述的苎麻纤维成熟度检测方法，其特征在于，所述采用所述分数阶微分阶次对所述光谱数据进行处理，得到微分光谱曲线，包括：
采用Grunwald?Letnikov定义计算所述光谱数据的分数阶微分。
6.根据权利要求1所述的苎麻纤维成熟度检测方法，其特征在于，所述基于所述光谱扭转矩确定累积能量百分位阈值，包括：
采用分段线性函数确定累积能量百分位阈值 ，所述分段线性函数为：
其中， 为所述光谱扭转矩。
7.根据权利要求1所述的苎麻纤维成熟度检测方法，其特征在于，所述通过预设的支持向量回归模型，确定苎麻纤维样品的成熟度，包括：
设置所述支持向量回归模型的核函数为高斯径向基核函数，并设定支持向量回归模型的惩罚参数C为10，核函数参数 γ为0.1。
8.根据权利要求1所述的苎麻纤维成熟度检测方法，其特征在于，所述将所述频率域信号划分为低频带与高频带，包括：
将频率域信号中低于分割频率的划分为低频带，将高于分割频率的划分为高频带。
9.根据权利要求1所述的苎麻纤维成熟度检测方法，其特征在于，所述低频带的能量积分为从低频带的最低频到分割频率的能量积分，所述高频带的能量积分为从分割频率到高频带的最高频的能量积分。
10.一种苎麻纤维成熟度检测系统，其特征在于，包括存储器和处理器，存储器中存储有计算机指令，处理器执行所述计算机指令时，实现如权利要求1?9任意一项所述的苎麻纤维成熟度检测方法。
技术领域
本发明涉及成熟度检测技术领域，具体涉及一种苎麻纤维成熟度检测方法及系统。
背景技术
苎麻是一种重要的天然纤维素纤维，其成熟度是评价品质并决定纺织加工性能的关键物理指标。在实际生产中，混合使用不同成熟度的苎麻纤维会引发一系列问题，如纺纱困难、断头率增加、布面疵点以及染色不均，这些都严重影响着纺织品的整体质量与经济效益。
目前，传统的苎麻纤维成熟度检测方法主要有三种：一是人工感官评判法，该方法过度依赖检验员的经验，重复性较差；二是化学法，其结果虽然相对准确，但过程繁琐、耗时良久；三是显微镜法，该方法需要复杂的制样，导致检测效率低下。为了克服上述缺陷，现有技术开始采用光谱信息进行检测。这类方法通常先采集纤维的光谱，再采用平滑、求导等固定的预处理方式去噪并增强特征，最后结合化学计量学方法建立成熟度预测模型。
然而，这种方法在实际应用中仍有局限，尤其是传统的整数阶微分，作为一种固定的预处理手段，无法适应不同成熟度或批次的样品所具有的各异的光谱背景和噪声水平。这种“一刀切”的处理方式，难以在增强有效信号的同时有效抑制噪声，可能导致关键特征信息丢失或被噪声淹没。此外，它也无法适应因样品光谱形态变化所引起的频域能量分布差异，最终影响了苎麻纤维成熟度的检测精度。
发明内容
本发明提供一种苎麻纤维成熟度检测方法及系统以解决上述现有技术中存在的难以在增强有效信号的同时有效抑制噪声，导致苎麻纤维成熟度的检测精度较低的问题。
第一方面，本发明的苎麻纤维成熟度检测方法，包括如下步骤：
获取待测苎麻纤维样品的光谱数据；计算所述光谱数据的光谱扭转矩，所述光谱扭转矩为光谱数据中各波长点处的强度值与所述波长点到预设中心波长距离的乘积沿波长轴的积分；
基于所述光谱扭转矩，通过预设的非线性映射函数，确定分数阶微分阶次；采用所
述分数阶微分阶次对所述光谱数据进行处理，得到微分光谱曲线；对所述微分光谱曲线进行傅里叶变换，获得频率域信号；
基于所述光谱扭转矩确定累积能量百分位阈值，并以所述频率域信号的能量从低频到高频的累积积分值达到所述累积能量百分位阈值时的频率作为分割频率，将所述频率域信号划分为低频带与高频带；分别计算所述低频带与高频带的能量积分，并计算二者的比值，得到高低频能量比；
将所述高低频能量比与所述光谱扭转矩作为特征输入，通过预设的支持向量回归模型，确定苎麻纤维样品的成熟度。
优选的，所述获取待测苎麻纤维样品的光谱数据，包括：
采用近红外光谱仪在400nm至2500nm的波长范围内，以2nm的采样间隔扫描所述苎麻纤维样品，采集苎麻纤维样品的漫反射光谱作为光谱数据。
优选的，所述计算所述光谱数据的光谱扭转矩，包括：
将所述光谱数据采集范围的中心波长1450nm设置为所述预设中心波长。
优选的，所述非线性映射函数为：
其中，为所述分数阶微分阶次， 为所述光谱扭转矩。
优选的，所述采用所述分数阶微分阶次对所述光谱数据进行处理，得到微分光谱曲线，包括：
采用Grunwald?Letnikov定义计算所述光谱数据的分数阶微分。
优选的，所述基于所述光谱扭转矩确定累积能量百分位阈值，包括：
采用分段线性函数确定累积能量百分位阈值 ，所述分段线性函数为：
其中， 为所述光谱扭转矩。
优选的，所述通过预设的支持向量回归模型，确定苎麻纤维样品的成熟度，包括：
设置所述支持向量回归模型的核函数为高斯径向基核函数，并设定支持向量回归
模型的惩罚参数C为10，核函数参数γ为0.1。
优选的，所述将所述频率域信号划分为低频带与高频带，包括：
将频率域信号中低于分割频率的划分为低频带，将高于分割频率的划分为高频带。
优选的，所述低频带的能量积分为从低频带的最低频到分割频率的能量积分，所述高频带的能量积分为从分割频率到高频带的最高频的能量积分。
第二方面，本发明的苎麻纤维成熟度检测系统，包括存储器和处理器，存储器中存储有计算机指令，处理器执行所述计算机指令时，实现上述的苎麻纤维成熟度检测方法。
本发明的有益效果为：本发明利用光谱扭转矩能够表示光谱整体形态的特征参数，并以此为根据来确定分数阶微分的阶次和频域能量的分割阈值。通过一个为不同样品光谱确定的特定分数阶微分阶次，对光谱进行精细化处理，能够比传统的固定整数阶微分增强与成熟度相关的微弱特征，同时抑制噪声干扰。通过一个根据光谱自身能量分布确定的分割频率来计算高低频能量比，使得该特征更具代表性，克服了固定频带划分的局限性。将表示光谱全局形态的光谱扭转矩与表示局部细节的能量比特征进行融合，为预测模型提供了更全面、互补的信息，从而提升了苎麻纤维成熟度检测结果的可靠性和模型的稳定性。
附图说明
图1为本发明实施例提供的苎麻纤维成熟度检测方法的流程示意图。
图1
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出。下面通过参考 附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
如图1所示，本发明提供的苎麻纤维成熟度检测方法的实施例包括以下步骤：
S1，获取待测苎麻纤维样品的光谱数据；计算所述光谱数据的光谱扭转矩，所述光谱扭转矩为光谱数据中各波长点处的强度值与所述波长点到预设中心波长距离的乘积沿波长轴的积分。
具体地，将待测苎麻纤维样品放置于近红外光谱仪的样品台上，采用积分球漫反射模式进行扫描，采集波长范围在4000至10000波数范围内的近红外光谱，光谱分辨率为8波数，扫描次数为64次，取平均光谱作为原始光谱数据。预设中心波长为光谱采集范围的中心点，例如7000波数。光谱扭转矩的计算为：首先计算每个波长点与中心波长的距离，然后将该距离与该波长点对应的光谱强度值相乘，最后将所有波长点上的乘积结果进行累加求和得到光谱扭转矩。
S2，基于所述光谱扭转矩，通过预设的非线性映射函数，确定分数阶微分阶次；采用所述分数阶微分阶次对所述光谱数据进行处理，得到微分光谱曲线；对所述微分光谱曲线进行傅里叶变换，获得频率域信号。
具体地，预设的非线性映射函数为一个通过训练大量已知成熟度的样品建立的函数关系。该函数关系以光谱扭转矩为输入，输出最优的分数阶微分阶次。例如，该函数关系表现为当光谱扭转矩较小时，对应一个较小的分数阶阶次，随着光谱扭转矩的增大，阶次非线性地增大并趋于一个上限值。该函数关系的具体参数通过在0.1至1.9阶次范围内进行网格搜索并以最终模型预测精度最高为目标而确定。
采用Grunwald?Letnikov定义来计算光谱数据的分数阶微分。Grunwald-Letnikov定义，简称G-L定义，是一种将整数阶微分推广到分数阶的数值计算方法，它将一个函数在某一点的分数阶导数表示为该点及之前所有点函数值的加权和。在本实施例中，待处理的函数为苎麻纤维的光谱数据，自变量是波长λ。假设确定的分数阶微分阶次v为0.8，要计算在波长点λ处的光谱数据的0 .8阶微分值，需要用到该点以及之前一系列波长点的光谱强度值，例如在λ、λ-2nm、λ-4nm等位置的强度值。G-L定义给出了一个包含二项式系数的求和公式，这个系数由确定的分数阶微分阶次v决定。通过将光谱数据序列和对应的G-L系数代入该公式，就可以计算出波长λ处的微分结果。对光谱范围内的每一个波长点重复此计算过程，就得到了一系列新的数据点，这些点共同构成了分数阶微分光谱曲线。该曲线能够放大原始光谱中的细微特征信息，并抑制基线漂移。
然后，对生成的分数阶微分光谱曲线进行快速傅里叶变换，实现数据从波长域到频率域的转换，得到一个包含幅度和相位的复数序列，并由此计算能量谱密度，该能量谱密度即为频率域信号。
S3，基于所述光谱扭转矩确定累积能量百分位阈值，并以所述频率域信号的能量从低频到高频的累积积分值达到所述累积能量百分位阈值时的频率作为分割频率，将所述频率域信号划分为低频带与高频带；分别计算所述低频带与高频带的能量积分，并计算二者的比值，得到高低频能量比。
具体地，累积能量百分位阈值由一个以光谱扭转矩为输入的预设函数（例如一个线性关系）确定。计算时，首先求出频率域信号的总能量。然后从最低频开始对能量进行累积积分，当累积能量与总能量的比值等于累积能量百分位阈值时，对应的频率即为分割频率。将频率域信号中低于分割频率的划分为低频带，将高于分割频率的划分为高频带。低频带的能量积分为从低频带的最低频到分割频率的能量积分，所述高频带的能量积分为从分割频率到高频带的最高频的能量积分。高低频能量比的计算公式为高频带的能量积分除以低频带的能量积分。
S4，将所述高低频能量比与所述光谱扭转矩作为特征输入，通过预设的支持向量回归模型，确定苎麻纤维样品的成熟度。
具体地，预设的支持向量回归模型是使用大量已知成熟度的苎麻纤维样品进行训练得到的。训练时，将每个样品的计算得到的光谱扭转矩和高低频能量比组成一个二维特征向量作为模型的输入；同时，将样品对应的实际成熟度值作为输出标签。该模型采用径向基核函数，并通过网格搜索和交叉验证的方式确定最优的惩罚参数和核参数，建立能够根据输入的特征向量预测苎麻纤维成熟度的回归模型。
在一个可选的实施例中，所述获取待测苎麻纤维样品的光谱数据，包括：
采用近红外光谱仪在400nm至2500nm的波长范围内，以2nm的采样间隔扫描所述苎麻纤维样品，采集苎麻纤维样品的漫反射光谱作为光谱数据。
示例性的，首先准备待测的苎麻纤维样品，例如取5g经过清洁和干燥处理的苎麻纤维，将苎麻纤维平整地放入近红外光谱仪的样品杯中，确保样品表面平整且填充均匀。然后，在光谱仪的操作软件上设置采集参数，将光谱扫描的起始波长设置为400nm，终止波长设置为2500nm，并将采样间隔设定为2nm。仪器将在400nm、402nm、404nm等波长点上逐一进行测量，直至2500nm，共计采集1051个数据点。
启动扫描后，仪器光源发出的近红外光照射到苎麻纤维样品表面，样品根据化学成分和物理结构对不同波长的光进行选择性吸收和散射。检测器负责接收从样品表面漫反射回来的光信号，并测量光信号在每个波长点上的强度。例如，仪器记录下在1200nm处的漫反射率为0.6，在1202nm处的漫反射率为0.62。所有波长点及对应的漫反射率数据组合在一起，就构成了该苎麻纤维样品的原始漫反射光谱，为后续分析提供了基础数据。
在一个可选的实施例中，所述计算所述光谱数据的光谱扭转矩，包括：
将所述光谱数据采集范围的中心波长1450nm设置为所述预设中心波长。
示例性的，光谱扭转矩是一个用于表示光谱曲线非对称性的物理量。计算该值时，需要设定一个参考中心点，即中心波长。在本实施例中，由于光谱数据的采集范围是从400nm到2500nm，该采集范围的算术中心点为1450nm。因此，将1450nm设定为预设的中心波长。在计算过程中，以1450nm为参考中心点，光谱曲线上每个数据点都被赋予一个权重，该权重等于波长值与中心波长1450nm之差。将中心波长左侧所有数据点的光谱强度与对应权重相乘并求和，得到一个扭矩值；同样地，计算中心波长右侧所有数据点的扭矩值。将右侧的总扭矩减去左侧的总扭矩，得到的差值即为整个光谱的光谱扭转矩。如果光谱能量主要分布在长波段即大于1450nm的区域，则扭转矩为正值，反之扭转矩为负值。
在一个可选的实施例中，所述非线性映射函数为：
其中，为所述分数阶微分阶次， 为所述光谱扭转矩。
在一个可选的实施例中，所述基于所述光谱扭转矩确定累积能量百分位阈值，包括：
采用分段线性函数确定累积能量百分位阈值 ，所述分段线性函数为：
其中， 为所述光谱扭转矩。
在一个可选的实施例中，所述通过预设的支持向量回归模型，确定苎麻纤维样品的成熟度，包括：
设置所述支持向量回归模型的核函数为高斯径向基核函数，并设定支持向量回归模型的惩罚参数C为10，核函数参数γ为0.1。
具体地，将前序步骤中计算得到的光谱扭转矩与高低频能量比作为一个组合特征，输入到一个已经训练好的支持向量回归（SVR）模型中。该模型用于建立该组合特征与苎麻纤维成熟度之间的非线性回归关系。本实施例明确指定了模型的关键配置参数，以确保预测的稳定性和可复现性。模型的核函数设置为高斯径向基核函数，高斯径向基核函数擅长处理复杂的非线性问题。模型的惩罚参数C设为10，该参数用以控制对超出容忍边界样本的惩罚程度，值越大模型对训练误差的容忍度越低；核函数参数 设为0.1，决定了单个训练样本影响范围的大小。当将待测样品的特征光谱数据输入到这个支持向量回归（SVR）模型中，模型会根据内部已学习到的决策函数进行计算，输出一个具体的数值，例如88.5，该数值即为预测的苎麻纤维成熟度值。
本发明实施例的苎麻纤维成熟度检测方法的实施原理为：本发明利用光谱扭转矩能够表示光谱整体形态的特征参数，并以此为根据来确定分数阶微分的阶次和频域能量的分割阈值。本发明通过一个为不同样品光谱确定的特定分数阶微分阶次，对光谱进行精细化处理，能够比传统的固定整数阶微分增强与成熟度相关的微弱特征，同时抑制噪声干扰。而且，本发明通过一个根据光谱自身能量分布确定的分割频率来计算高低频能量比，使得该特征更具代表性，克服了固定频带划分的局限性。而且，本发明将表示光谱全局形态的光谱扭转矩与表示局部细节的能量比特征进行融合，为预测模型提供了更全面、互补的信息，从而提升了苎麻纤维成熟度检测结果的可靠性和模型的稳定性。
本发明提供的苎麻纤维成熟度检测系统的实施例，包括存储器和处理器，存储器中存储有计算机指令，处理器执行所述计算机指令时，实现上述实施例中的苎麻纤维成熟度检测方法。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
文章摘自国家发明专利，一种苎麻纤维成熟度检测方法及系统，发明人：黄辉,胡晓燕,胡镜兰，申请号：202511733056.2，申请日：2025.11.24。
