摘要：手机盖板玻璃 (CG 盖板) 作为智能终端核心组件，其表面污渍与瑕疵的精准检测是行业难题。本研究采用高光谱成像技术，利用化学物质和物理损伤在精细光谱特性上的差异，采用高光谱技术捕捉污渍与瑕疵之间显著不同的特征光谱，从而实现盖板玻璃的污渍和瑕疵检测。

手机盖板玻璃 (CG 盖板) 作为智能终端核心组件，其表面污渍与瑕疵的精准检测是行业难题。本研究采用高光谱成像技术，利用化学物质和物理损伤在精细光谱特性上的差异，采用高光谱技术捕捉污渍与瑕疵之间显著不同的特征光谱，从而实现盖板玻璃的污渍和瑕疵检测。

1.实验部分

1.1高光谱反射率数据集构建

50个手机盖板玻璃样本由专业人员制作了玻璃指纹、胶质物质、清洁剂、灰尘等4种污渍和划痕瑕疵，高光谱数据通过高光谱成像仪(Hyperspec VNIR-SWIR with Co-Registered pixels，美国Headwall Photonics Inc.)采集，光谱测量范围为400~1000nm，光谱分辨率为5nm，空间分辨率为0.3，光谱通道数369，空间通道数1600。利用两台卤素灯作为光源, 并获取良好光线入射角度以增强成像清晰度。通过调整两盏卤素灯使入射光与手机盖板玻璃平面的夹角为30°、45°、60°和90°，成像结果如图2所示。

1.2 污渍瑕疵的光谱特性分析

四类污渍的光谱曲线与盖板的光谱曲线略有不同，反射率都高于盖板反射率。光谱曲线形状的差异是由于不同污渍材质不同会在不同波段出现特征吸收峰使得曲线形状有些差异，而差异不明显的原因则是污渍的含量过少。

胶质物质在590~610、680~700和780~810nm附近有微弱吸收峰。灰尘在500~520和700~730nm附近有微弱吸收峰。指纹在500~520和550~580nm附近有微弱吸收峰。清洁剂在500~520、600~630、680~700和810~840nm附近有微弱吸收峰。手机盖板玻璃的瑕疵的反射率在500~900nm范围呈现下降趋势，瑕疵是手机盖板玻璃物理结构的破坏，本质还是盖板并无其他物质，因此其光谱曲线形状与盖板相似。

1.3 基于特征递归消除法的特征波段选择

为了选择出能区分污渍瑕疵的特征波段，采用决策树和随机森林(random forest, RF)两种模型的特征递归消除法作波段选择，综合考虑波段数量以及精度的要求，由于随机森林模型的精度优于决策树，因此确定基于随机森林模型的特征递归消除法作为特征波段选择结果。

1.4 基于机器学习的瑕疵污渍分类方法

为了进一步优化模型性能、降低成本和减少冗余信息，提出了精选特征波段的方法。该方法基于光谱特性分析，逐个剔除粗选的特征波段中不在特征吸收峰范围内的波段。这一逐步剔除的过程确保了选择的特征波段集合与污渍的吸收特性高度匹配，得到了精选后的波段，随后将其输入三种分类器：随机森林、XGBoost和AdaBoost.M2进行模型训练，通过对比分析比较不同波段组合下在三个分类器的分类精度，确定特征波段个数为8个以及分类性能好的分类器为随机森林。

2.结果与讨论

2.1 污渍瑕疵分类的最优特征波段

将经过随机森林波段选择后的10个波段，以及经过光谱特性分析去除冗余波段的9、8和7个特征波段组分别带入训练好的随机森林模型、XGBoost和AdaBoost.M2三个模型进行分类，并用精确率和准确率评价指标评定。对比全部精度，当分类器是随机森林，精选波段数量为8时效果好，准确率和精确率分别为0.886和0.831。因此综合来看，随机森林分类器表现出较好的稳定性和性能，可作为首选的分类器;而基于随机森林特征递归模型精选的8个特征波段也展示良好的精度结果， 因此502、526、567、689、711、789、818和888nm为确定的精选的波段。

2.2 污渍瑕疵分类结果与检测精度

研究所提出的8个特征波段结合随机森林分类器能够有效地区分手机盖板玻璃的污渍和瑕疵，为手机盖板玻璃质量检测提供了可靠的技术支持。

3.结论

结合高光谱技术以及随机森林方法为手机盖板玻璃污渍瑕疵的识别提供新的方法途径。利用高光谱遥感技术获取污渍在大量窄带光谱范围内的光谱信息，准确捕捉瑕疵和污渍的形态特征，再针对高光谱数据特点，提出基于随机森林的特征波段选择方法，并根据分类器精度精选特征波段用于分类，精选8个特征波段作为分类波段以及确认了随机森林作为分类器。

来源：V科技搬砖工