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。中達瑞和憑借其先進的高光譜成像設備（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。其技術不僅填補了傳統檢測的空白，更為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。

審核編輯 黃宇