D. Saravanan

Bannari Amman理工学院(印度)

轧棉纤维的质量取决于其物理指标，包括纤维颜色、长度、强度、细度及纤维不含污染物与异物的水平。其中，棉纤维的污染至关重要，它决定了所得材料的质量和价格。尽管可以采用标准检测方法评估轧棉中是否存在污染物及污染程度[以每千克纤维中含有污染纤维的克数(g/kg)计]，但尚无标准确定织物阶段污染物的可接受水平和大小。据瑞士苏黎世国际纺织品制造商联合会(ITMF)的报告，因污染引起的索赔额占棉花和混纺棉纱总销售额的1.4%～3.2%。单个受污染的棉包在后续混合使用过程中，还可能会污染更多的棉包。

1 棉花污染

ITMF按照“受污染最多”和“受污染最少”“受黏性影响最大”和“受黏性影响最小”“受种皮碎片影响最大”和“受种皮碎片影响最小”等评价方式对棉花污染物、黏性和种皮进行分类。目前，也有研究根据污染物的性质对其进行了进一步分类。调查显示，2005—2016年，由各国抽取的样本显示，棉花污染程度呈上升或表现为持久性污染的趋势。棉花行业应具备基于污染物含量实时对棉花进行分类的能力，即能够定义污染物类型以对棉纤维进行分级并去除污染物。

自引入机器采摘以来，发达国家的棉花采摘和轧棉方式发生了巨大变化。但手工采摘仍是发展中国家的主要采摘方式。新的植棉方式也导致了新的污染物产生，如塑料地膜和滴灌带的碎片。棉花采摘是一项遍布全球的季节性活动，并且大多数轧棉厂雇用临时劳工从事轧棉作业，而这些雇用工人对工艺不熟练，可能无法遵循棉花加工的质量要求并识别棉花缺陷。

2 检测与追溯

目前已有许多基于商业技术的解决方案，如基于区块链系统、示踪纤维及轧棉时的DNA标记等，用于确保市售棉花的追溯。电子元器件、条形码和射频识别(RFID)系统的大量应用，以及信息的“云”存储，方便了对单个棉包的源头追溯，同时解决了与鉴定棉纤维源头相关的主要问题。

尽管检测可降低因污染引起的索赔风险，但其并不能确保所生产的纱线或织物不含异物。基于下述两方面原因，在早期处理阶段清除污染物更有利：一方面，早期清除可防止污染物扩散到更大的范围；另一方面，早期清除有助于避免后期更多的干预。污染物的类型、数量、污染行为及对棉纤维的黏附力各不相同，很难采用单一策略将所有污染物质与棉纤维分离。若异性纤维(如化学纤维、动物纤维和其他非棉纤维)混入棉中，则在进行纺纱工艺前很难将其去除。此外，在去除棉花杂质的过程中，这些异性纤维可能会折断、缩短或撕裂并变得更细。由于棉纤维的色相阈值处于不同污染物(如其他服用纤维、白色棉絮、纸张、塑料线和布条等)的色相值范围内，这对图像采集系统及算法的设计与开发提出了很大的挑战。在处理线上，棉花通过各种机器通道和导管，其流动不均匀且速度不稳定，这极大地影响了异性纤维的去除效率。

为能够采取适当的措施消除或减少棉花中的杂质，提高棉花加工效率和产品质量，有必要对棉花中杂质的性质进行快速识别。人们已尝试使用基于X射线微层析图像分析、共现矩阵特征、小波、色彩空间模型、最佳波长成像及机器视觉等图像处理方式检测污染物。这些系统和方法在检测白色和彩色污染物时具有不同的检测效率。这些检测系统大多采用图像采集、图像转换、图像处理和图像后处理的序列检测污染物。工业界对这些检测系统的接受程度取决于检测操作的简便性、操作时间或速度及识别污染物的一致性。然而，研究人员在开发检测算法时面临一些挑战，如污染物形状和纹理的变化较大、对许多视觉和非视觉因素有依赖、污染物的位置和方向不确定、获取大型数据库的数据困难，这些都使得估算任务更难实现。特征选择技术旨在通过减小维数并识别相关特征来简化特征集，同时不影响预测精度。目前，总共有75个特征集被用于各种研究工作中，其中与颜色相关的特征集有27个，与纹理特征相关的有41个，与形状特征相关的有7个。

预计到2020年底，全球纺织纤维消费量将超过1.2亿 t，复合年增长率最低为4%，其中棉纤维有望达到25%。基于此，需深入分析污染物的作用及其影响，并采取措施避免污染物的产生。

3 污染检测系统

在颜色空间系统中，尽管人们已提出了很多表示颜色的系统，但RGB可谓是一个基本模型，它可以方便地融入其他系统，最大限度地提高检测和分类精度。然而，任何基于颜色测量的系统都对光线敏感，因此，光强度、温度和光照角度的差异会使测量结果发生变化。现有的许多软件都使用RGB系统，并且在计算机图形学中，选择RGB系统可简化系统的体系结构和设计。但RGB在处理“真实世界”图像时不是很有效，它是最不均匀的色彩空间系统之一，因为它无法将两种颜色间的视觉差异用色点之间的距离表示。RGB系统对低强度区域的噪声也很敏感。许多研究人员建议使用不同的颜色系统，如灵活使用HSL、YDbDr，YCbCr和YPbPr等颜色空间识别有黏性和无黏性的树皮、细小污染物或昆虫、白色异纤维、棉籽、异物及一般污染物和异性纤维，并将这些颜色空间转换为RGB空间。

无论化学成分还是分子结构，棉纤维与异性纤维都存在明显的差异，这也是使用光谱分析法区分棉纤维与异物的基础。许多研究人员研究采用红外(IR)，近红外(NIR)，短波红外(SWIR)和高光谱识别和检测污染物及污染物性质，光谱范围涵盖可见光和IR/NIR/SWIR能谱等。SWIR波段的成像系统具有独特的遥感功能，可用于材料检测、检查和过程监控等。高光谱图像提供了遥感SWIR吸收特征的最有效的方法。这些系统具有狭窄的连续光谱带，可准确区分吸收特征的波长位置与形状。

X射线微层析成像采用不同的算法，以高分辨率对棉花污染物进行检测与分类，并绕过了繁琐的试样制备环节。X射线图像还可以方便地使用密度信息区分检测对象。由于能够生成物体的3D图像，因此使用X射线微层析成像技术可有效提取污染物的准确形状和大小。然而，X射线微层析成像研究中使用的低能扫描易导致感知衰减系数增大、低强度背景特征大量出现，以及在整个切片中出现均匀噪声等问题。

随着图像捕捉系统的最新发展，机器视觉尝试以新的方式整合现有技术，并用于解决现实世界中的问题，包括基于自动化的图像的检查、过程控制和指导系统。使用机器视觉提取的信息可以是简单的好坏信号，也可以是一组复杂的数据集，如，图像中每个检测对象的身份、位置和方向。如此看来，与其他系统相比，机器视觉识别似乎更优越。然而，该方法也存在缺陷，它依赖于用于分析系统获取的图像算法的开发。有关污染物检测的算法、智能编码系统、支持向量机技术及纳入污染物检测系统的各种机器学习方法的最新发展，均可以为污染物的检测和消除提供优化解决方案，减少对棉花行业经济的影响。

4 结语

随着棉纤维利用率的不断提高，通过重复使用和纤维回收实现可持续制造过程，还需一个智能的自学习系统，以识别不同加工阶段的污染物，对其进行分类和去除。除了识别在全球棉纤维中已知的常规污染物外，棉花行业还需要一个健全的系统，以识别具有不同特征集的特定区域污染物并对其进行分类。 此外，还需通过适当的激励机制，鼓励在棉花种植、收获、轧棉及其他加工阶段采取优化措施，确保棉纤维的无污染供应。