紙質(zhì)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(xiàn)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(fā)不可逆的損壞。傳統(tǒng)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(qū)域的狐斑難以識別?；诟吖庾V成像的無損檢測技術(shù)，結(jié)合光譜分析與機器學習，為狐斑的精準識別提供了創(chuàng)新解決方案。中達瑞和憑借高光譜成像設(shè)備（國產(chǎn)替代）與IrisCube光譜分析軟件（中達瑞和自主研發(fā)），在該領(lǐng)域?qū)崿F(xiàn)了技術(shù)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(shù)原理與中達瑞和的技術(shù)優(yōu)勢

高光譜成像技術(shù)通過連續(xù)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(shù)據(jù)立方體。其核心優(yōu)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(jié)合圖像紋理與光譜特征，提升檢測精度。

• 高性能成像設(shè)備：中達瑞和自主研發(fā)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(shù)，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(yōu)化：基于K-近鄰（KNN）與BP神經(jīng)網(wǎng)絡(luò)的判別模型，實現(xiàn)狐斑識別率超85%（BP神經(jīng)網(wǎng)絡(luò)），尤其擅長處理與墨跡、印章重疊的復雜區(qū)域。

實驗方法與結(jié)果

實驗流程：

1. 數(shù)據(jù)采集：使用中達瑞和高光譜系統(tǒng)（含鹵素光源、一維掃描臺）獲取模擬文物的高光譜圖像；

2. 預處理：剔除噪聲波段，提取感興趣區(qū)域（ROI）的平均光譜；

3. 特征提取：通過MNF變換與波段運算，分離狐斑特征；

4. 建模與驗證：劃分180條數(shù)據(jù)為訓練集（120條）與測試集（60條），對比KNN與BP神經(jīng)網(wǎng)絡(luò)性能。

結(jié)果分析：

• 光譜差異：狐斑區(qū)域在450~600 nm反射率顯著高于健康區(qū)域，600 nm附近出現(xiàn)特征峰；

• 圖像增強效果：MNF變換后，狐斑區(qū)域呈現(xiàn)藍色，與紙張（紅色）、墨跡（黑色）明顯區(qū)分；

• 模型性能：BP神經(jīng)網(wǎng)絡(luò)總體判別率達85%，較KNN（73.3%）更優(yōu)，尤其在墨跡覆蓋區(qū)域識別率超83%。

中達瑞和的高光譜系統(tǒng)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(yōu)化波段選擇與算法參數(shù)，提升檢測適應(yīng)性；從硬件設(shè)備到數(shù)據(jù)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(shù)門檻。

中達瑞和以高光譜成像技術(shù)為核心，通過硬件創(chuàng)新與算法優(yōu)化，為紙質(zhì)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(chǎn)保護的深遠價值。