Trong chuỗi kiểm soát nguyên liệu dệt may, việc xác định thành phần của hỗn hợp lông tơ ngỗng và lông tơ vịt có ý nghĩa đối với đánh giá chất lượng và tính minh bạch của sản phẩm. Hai loại nguyên liệu này có thể khác nhau về giá trị thị trường, vì vậy doanh nghiệp cần một quy trình kiểm tra có dữ liệu, có khả năng lặp lại và phù hợp với điều kiện vận hành thực tế.
Camera siêu phổ định lượng lông tơ ngỗng vịt là một hướng tiếp cận dựa trên dữ liệu ảnh và thông tin phản xạ theo bước sóng. Thay vì chỉ quan sát bề mặt mẫu, hệ thống thu nhận nhiều kênh quang phổ để phục vụ phân tích đặc trưng, sau đó kết hợp mô hình thống kê hoặc học máy nhằm ước lượng tỷ lệ trộn. Kết quả phụ thuộc vào chất lượng mẫu chuẩn, điều kiện chụp, cách tiền xử lý và phương pháp xác thực mô hình.
Vì sao cần định lượng hỗn hợp lông tơ?
Lông tơ ngỗng và lông tơ vịt được sử dụng trong các sản phẩm giữ ấm. Khi nguyên liệu là hỗn hợp, việc xác định tỷ lệ từng thành phần giúp bộ phận kiểm soát chất lượng có thêm cơ sở để đánh giá lô hàng và đối chiếu với yêu cầu nội bộ. Với đơn vị sản xuất, dữ liệu kiểm tra cũng hỗ trợ chuẩn hóa quy trình tiếp nhận nguyên liệu, theo dõi tính nhất quán giữa các lô và giảm sự phụ thuộc vào đánh giá cảm quan.
Điểm đáng chú ý của ảnh siêu phổ là mỗi điểm ảnh có thể mang thông tin phản xạ ở nhiều bước sóng. Nếu lông tơ ngỗng và vịt thể hiện khác biệt quang phổ đủ rõ trong điều kiện khảo sát, các đặc trưng này có thể được dùng làm đầu vào cho bài toán phân loại hoặc định lượng. Đây là quy trình phân tích cần được thiết kế, hiệu chuẩn và kiểm chứng bằng mẫu có tỷ lệ đã biết.
Chuẩn bị mẫu tham chiếu là bước nền tảng
Quy trình nên bắt đầu bằng việc thu thập mẫu lông tơ ngỗng và lông tơ vịt riêng biệt, có nguồn gốc rõ ràng và có tính đại diện cho nguyên liệu cần đánh giá. Từ đó, có thể cân theo các tỷ lệ trộn đã xác định để tạo thành dải mẫu tham chiếu. Việc bố trí nhiều mức tỷ lệ và lặp lại mẫu ở từng mức giúp tạo tập dữ liệu phong phú hơn cho giai đoạn xây dựng mô hình.
Khi đưa mẫu lên bàn chụp, lớp lông tơ cần được trải tương đối đồng đều. Sự chồng lấp quá nhiều, vùng trống hoặc phân bố không đồng nhất có thể khiến ảnh thu được không phản ánh tốt đặc điểm chung của mẫu. Đây cũng là lý do nên thu nhận ảnh nhiều lần hoặc từ các góc khác nhau, nhằm giảm ảnh hưởng của biến thiên cục bộ trên bề mặt.
Thu nhận ảnh với camera siêu phổ FS-13
Dữ liệu nguồn đề cập model FS-13 cho nghiên cứu liên quan đến dải quang phổ 400–1000 nm. Theo thông tin này, thiết bị có độ phân giải bước sóng tốt hơn 2,5 nm, tối đa 1200 kênh quang phổ, tốc độ thu nhận toàn phổ đến 128 FPS và có thể đạt tối đa 3300 Hz sau khi chọn băng tần, với hỗ trợ chọn băng tần đa vùng.
Các thông số trên cho thấy việc chọn cấu hình thu nhận cần gắn với mục tiêu nghiên cứu và cách tổ chức dữ liệu. Trong thực hành, mỗi lần chụp cần lưu trữ dữ liệu có hệ thống để tránh thất lạc, đồng thời ghi nhận các điều kiện liên quan đến mẫu và quá trình thu ảnh. Sự nhất quán trong cách chụp là yếu tố quan trọng để các ảnh có thể được so sánh trong các bước xử lý tiếp theo.
Xử lý và trích xuất đặc trưng quang phổ
Dữ liệu ảnh siêu phổ thường cần được xử lý trước khi phân tích. Các công đoạn được đề cập gồm hiệu chỉnh bức xạ để hạn chế sai khác do thiết bị hoặc môi trường, hiệu chỉnh hình học để xử lý biến dạng liên quan đến góc chụp và vị trí mẫu, cùng với khử nhiễu bằng thuật toán lọc. Mục tiêu của các bước này là cải thiện tính so sánh của dữ liệu và làm rõ tín hiệu hữu ích.
Sau đó, phần mềm và thuật toán có thể được dùng để tách vùng quan tâm, đo giá trị phản xạ và hình thành tập đặc trưng riêng cho từng loại lông tơ. Nguồn dữ liệu cho biết các đường cong phản xạ của lông tơ ngỗng và vịt có khác biệt rõ trong vùng 700–800 nm. Vùng bước sóng này vì thế có thể là một cơ sở tham khảo khi lựa chọn đặc trưng, nhưng cần được kiểm tra lại trên tập mẫu và điều kiện đo cụ thể.
Xây dựng mô hình định lượng tỷ lệ trộn
Từ các đặc trưng đã trích xuất, dữ liệu có thể được chia thành tập huấn luyện và tập xác thực. Tập huấn luyện gồm các mẫu đã biết tỷ lệ trộn, dùng để mô hình học mối liên hệ giữa dữ liệu quang phổ và thành phần mẫu. Các phương pháp được nêu gồm máy vector hỗ trợ và bình phương tối thiểu từng phần.
Tập xác thực không tham gia huấn luyện được sử dụng để so sánh giá trị tỷ lệ mô hình dự đoán với tỷ lệ thực tế của mẫu. Sai số bình phương trung bình gốc và sai số tuyệt đối trung bình là các chỉ số có thể dùng để đánh giá kết quả. Khi kết quả chưa phù hợp, nhóm triển khai có thể xem xét điều chỉnh tham số, thay đổi số lượng đặc trưng hoặc rà soát lại chất lượng dữ liệu đầu vào.
Đánh giá phương pháp trong quy trình kiểm soát chất lượng
Đánh giá không nên chỉ dựa trên một lần đo. Việc tổng hợp kết quả ở nhiều tỷ lệ trộn, tính giá trị trung bình và độ lệch chuẩn giúp xem xét độ ổn định cũng như khả năng lặp lại của phương pháp. Dữ liệu nguồn cũng đề xuất đối chiếu kết quả ảnh siêu phổ với các phương pháp kiểm tra truyền thống, chẳng hạn phân tích hóa học, để có thêm căn cứ đánh giá.
Với cách tiếp cận bài bản, camera đa phổ có thể trở thành một công cụ dữ liệu hỗ trợ kiểm tra hỗn hợp lông tơ ngỗng - vịt. Hiệu quả ứng dụng thực tế cần được xác nhận theo từng loại mẫu, quy trình lấy mẫu, môi trường thu nhận và mô hình phân tích được lựa chọn. Doanh nghiệp nên xem việc chuẩn hóa mẫu tham chiếu, lưu trữ dữ liệu và xác thực định kỳ là các phần không thể tách rời của quy trình.
