紙質文物承載著歷史與文化的重要信息,但其保存過程中易受“狐斑”(foxing)病害侵蝕。狐斑表現為黃褐色斑點,不僅影響文物外觀,還會導致紙張酸化、強度下降,甚至引發不可逆的損壞。傳統檢測依賴人工目視,存在滯后性、主觀性強等問題,尤其對印章、墨跡覆蓋區域的狐斑難以識別。基于高光譜成像的無損檢測技術,結合光譜分析與機器學習,為狐斑的精準識別提供了創新解決方案。中達瑞和憑借高光譜成像設備(國產替代)與IrisCube光譜分析軟件(中達瑞和自主研發),在該領域實現了技術突破,為文物保護提供了高效、可靠的檢測手段。
高光譜成像技術原理與中達瑞和的技術優勢
高光譜成像技術通過連續窄波段(通常覆蓋可見光至近紅外范圍)捕獲目標的空間與光譜信息,形成“圖譜合一”的數據立方體。其核心優勢在于:
無損檢測:無需接觸文物表面,避免二次損傷;
高分辨率光譜:可識別肉眼不可見的微弱光譜差異;
多維信息融合:結合圖像紋理與光譜特征,提升檢測精度。
高性能成像設備:中達瑞和自主研發的高光譜相機(光譜范圍400-1000 nm),具備高信噪比與快速掃描功能,確保圖像清晰無失真。
智能算法支持:采用最小噪聲分離(MNF)和主成分分析(PCA)技術,有效分離噪聲并提取狐斑特征波段(如464 nm和767 nm);通過波段運算(如差值、比值)增強狐斑與背景的對比度。
機器學習模型優化:基于K-近鄰(KNN)與BP神經網絡的判別模型,實現狐斑識別率超85%(BP神經網絡),尤其擅長處理與墨跡、印章重疊的復雜區域。
實驗方法與結果
實驗流程:
數據采集:使用中達瑞和高光譜系統(含鹵素光源、一維掃描臺)獲取模擬文物的高光譜圖像;
預處理:剔除噪聲波段,提取感興趣區域(ROI)的平均光譜;
特征提取:通過MNF變換與波段運算,分離狐斑特征;
建模與驗證:劃分180條數據為訓練集(120條)與測試集(60條),對比KNN與BP神經網絡性能。
結果分析:
光譜差異:狐斑區域在450~600 nm反射率顯著高于健康區域,600 nm附近出現特征峰;
圖像增強效果:MNF變換后,狐斑區域呈現藍色,與紙張(紅色)、墨跡(黑色)明顯區分;
模型性能:BP神經網絡總體判別率達85%,較KNN(73.3%)更優,尤其在墨跡覆蓋區域識別率超83%。
中達瑞和的高光譜系統支持批量采集與智能分析,可快速定位隱蔽狐斑,為博物館提供預防性保護方案;針對不同文物類型(如古籍、書畫),優化波段選擇與算法參數,提升檢測適應性;從硬件設備到數據處理軟件,提供“采集-分析-診斷”一體化解決方案,降低用戶技術門檻。
中達瑞和以高光譜成像技術為核心,通過硬件創新與算法優化,為紙質文物狐斑檢測提供了高效、無損的解決方案。文物的科學保護與傳承開辟了新路徑,彰顯了科技賦能文化遺產保護的深遠價值。