# 高光谱塑料分类工具 - 项目交接文档

---

## 一、项目概述

### 1.1 项目基本信息
| 项目属性 | 内容 |
|---------|------|
| **项目名称** | 高光谱塑料分类工具 (Hyperspectral Plastic Classification) |
| **项目目的** | 基于高光谱成像和深度学习的微塑料材料分类与识别 |
| **开发语言** | Python 3.12 |
| **当前版本** | v1.0.0 (2025-08-26) |
| **许可证** | Creative Commons 非商业许可证 |

### 1.2 核心功能
- 支持BIL格式高光谱数据读取和处理
- 使用UNet模型进行图像分割和掩膜生成
- 支持9种塑料材料分类识别
- 背景校正和光谱特征提取
- 输出ENVI标准格式分类结果

### 1.3 支持的塑料类型

| 类别编号 | 材料名称 | 英文缩写 |
|---------|---------|---------|
| 1 | 丙烯腈-丁二烯-苯乙烯共聚物 | ABS |
| 2 | 高密度聚乙烯 | HDPE |
| 3 | 低密度聚乙烯 | LDPE |
| 4 | 尼龙6 | PA6 |
| 5 | 聚对苯二甲酸乙二醇酯 | PET |
| 6 | 聚丙烯 | PP |
| 7 | 聚苯乙烯 | PS |
| 8 | 聚四氟乙烯 | PTFE |
| 9 | 聚氯乙烯 | PVC |

---

## 二、项目结构

```
micro_plastic/
├── main.py                          # 主程序入口（核心流程）
├── fliter_sample_spectral.py      # 滤纸背景样本光谱提取工具
├── bil2rgb.py                       # BIL转RGB模块
├── mask.py                          # 图像分割/掩膜生成
├── shape_spectral.py                # 光谱特征提取
├── shape_spectral_background.py     # 背景校正计算
├── extact_shape.py                  # 特征提取工具（含二次分类背景校正）
├── chose_bands.py                   # 波段选择工具
├── get_glcm.py                      # GLCM纹理特征提取
├── only_mask.py                     # 仅掩膜处理
├── spectral_shape_class.py          # 光谱形状分类
├── main_batch_nosample.py           # 批量处理（无样本）
├── maintest.py / mainv1.py          # 测试/旧版本入口
├── 多模型.py                        # 多模型处理脚本
├── time.py                          # 时间相关工具
├── outputs2dataframe.py             # 输出转换工具
├── bil2rgb.py                       # BIL转RGB工具

├── classification_model/            # 分类模型模块
│   ├── Classification/              # 分类算法
│   │   ├── ClassicCls.py           # 经典分类器
│   │   ├── ClassicClsHY.py         # 经典分类器（优化版）
│   │   ├── ClassicCls_网格搜索.py # 网格搜索参数优化
│   │   ├── Cls.py                  # 基础分类器
│   │   ├── Cls_网格搜索.py         # 分类器网格搜索
│   │   ├── Cls_超参数.py           # 超参数调优
│   │   ├── DeepCls.py              # 深度学习分类器
│   │   ├── CNN.py                  # CNN模型
│   │   ├── CNN_deepseek.py         # DeepSeek优化CNN
│   │   ├── CNN_HYper.py            # 超参数CNN
│   │   ├── CNN_SAE.py              # CNN+SAE模型
│   │   ├── CNN_Transfomer.py       # CNN+Transformer
│   │   ├── SAE.py                  # 堆叠自编码器
│   │   └── CNN_网格搜索.py         # CNN网格搜索
│   │
│   ├── WaveSelect/                  # 波长选择算法
│   │   ├── WaveSelcet.py           # 主入口
│   │   ├── Cars.py                 # CARS算法
│   │   ├── GA.py                   # 遗传算法
│   │   ├── Lar.py                  # LARS算法
│   │   ├── MRMR.py                 # 最大相关最小冗余
│   │   ├── Pca.py                  # 主成分分析
│   │   ├── ReliefF.py              # ReliefF算法
│   │   ├── Spa.py                  # SPA算法
│   │   ├── Spa_acc.py              # SPA精确版
│   │   └── Uve.py                  # UVE算法
│   │
│   ├── DataLoad/                    # 数据加载
│   │   └── DataLoad.py             # 数据加载器
│   │
│   ├── Preprocessing/               # 预处理
│   │   └── Preprocessing.py        # 数据预处理
│   │
│   ├── Evaluate/                    # 模型评估
│   │   └── RgsEvaluate.py          # 回归评估
│   │
│   └── Parallel/                    # 并行处理/预测
│       ├── predict_plastic.py      # 塑料预测主入口
│       └── test.py                 # 测试脚本
│
├── README.md                        # 项目说明文档
├── requirements.txt                 # Python依赖列表
└── 项目交接文档.md                   # 本文件
```

---

## 三、技术栈与依赖

### 3.1 核心依赖库

| 库名称 | 版本 | 用途 |
|--------|------|------|
| torch | 2.8.0 | 深度学习框架 |
| torchvision | 0.23.0 | 图像处理工具 |
| opencv-python | 4.12.0 | 计算机视觉 |
| numpy | 2.2.6 | 数值计算 |
| pandas | - | 数据处理 |
| scikit-learn | 1.6.1 | 机器学习 |
| scipy | 1.15.3 | 科学计算 |
| matplotlib | 3.10.3 | 数据可视化 |
| spectral | - | 高光谱数据处理 |
| PyWavelets | 1.8.0 | 小波变换 |
| plantcv | - | 植物/图像分析 |

### 3.2 完整依赖安装
```bash
pip install -r requirements.txt
```

---

## 四、核心流程说明

### 4.1 主程序处理流程 (main.py)

```
1. 读取BIL格式高光谱数据
   ↓
2. 转换为RGB图像 (bil2rgb.py)
   ↓
3. 使用分割模型生成掩膜 (mask.py)
   ├─ 微塑料掩膜
   └─ 滤纸背景掩膜
   ↓
4. 提取光谱特征 (shape_spectral.py)
   ↓
5. 计算背景光谱并校正 (shape_spectral_background.py)
   ↓
6. 数据清理和过滤
   ├─ 去NA值
   ├─ 过滤轮廓点数不足样本
   └─ 过滤面积<500像素的样本
   ↓
7. 主要分类 (classification_model.Parallel.predict_plastic)
   ↓
8. 二次分类（HDPE/LDPE精细分类）
   ↓
9. 后处理类别7/8阴影识别
   ↓
10. 保存ENVI格式分类结果
```

### 4.2 关键参数配置

#### 训练相机波长（237通道，912.36-1706.6nm）
```python
TRAIN_WAVELENGTHS = [912.36, 915.68, 919, ..., 1703.3, 1706.6]
```

#### 分类处理参数
- **主模型类型**: SVM
- **预处理方法1**: SS (Spectral Standardization)
- **预处理方法2**: None

#### 分割参数
- `flow_threshold`: 0.4
- `cellprob_threshold`: -1
- `filter_method`: 'threshold'

---

## 五、使用方法

### 5.1 基本用法

```bash
python main.py --bil_path /path/to/input.bil --output_path /path/to/output --model_path /path/to/model.m
```

### 5.2 参数说明

| 参数 | 必需 | 默认值 | 描述 |
|------|------|--------|------|
| `--bil_path` | 是 | 无 | 输入BIL文件路径 |
| `--output_path` | 是 | 无 | 输出目录路径 |
| `--model_path` | 是 | 无 | 主分类模型路径 |
| `--unet_path` | 否 | ./unet_pytorch/logs/best_epoch_weights.pth | UNet模型权重路径 |

### 5.3 使用示例

```bash
# 使用默认UNet权重
python main.py --bil_path ./data/input.bil --output_path ./results --model_path ./models/svm.m

# 指定所有参数
python main.py --bil_path ./data/input.bil --output_path ./results --model_path ./models/svm.m --unet_path ./custom_unet_weights.pth

# Windows系统示例
python main.py --bil_path "C:\Users\HyperSpec\test\MPData2.bil" --output_path "C:\Users\HyperSpec\test" --model_path ".\classification_model\modelsave\svm.m"
```

### 5.4 滤纸背景样本提取 (fliter_sample_spectral.py)

```python
# 处理单个文件或文件夹
bil_path_or_folder = r"D:\Data\Traindata-11"
output_csv_path = r"E:\plastic\plastic\output\滤纸样本光谱\11.csv"
num_masks = 50          # 生成的背景样本数量
rng_seed = 42           # 随机种子，保证可复现
```

---

## 六、输入输出格式

### 6.1 输入文件格式

| 文件类型 | 扩展名 | 说明 |
|---------|--------|------|
| 高光谱数据 | .bil | BIL格式高光谱数据 |
| 头文件 | .hdr | 对应的ENVI头文件 |

**HDR文件关键字段:**
```
samples = 1024        # 列数
lines = 1024          # 行数
bands = 237           # 波段数
wavelength = {912.36, 915.68, ...}  # 波长列表
```

### 6.2 输出文件格式

| 文件类型 | 扩展名 | 说明 |
|---------|--------|------|
| 分类结果 | .dat | ENVI分类结果数据 |
| 头文件 | .hdr | ENVI头文件（含类别定义）|

**输出HDR示例:**
```
ENVI
description = {Classification Result.}
samples = 1024
lines = 1024
bands = 1
classes = 10
class = { background, ABS, HDPE, LDPE, PA6, PET, PP, PS, PTFE, PVC }
data type = 2         # 16-bit整数
```

---

## 七、关键代码模块详解

### 7.1 main.py - 主流程控制

**核心函数:**
- `validate_inputs()` - 输入验证
- `generate_rgb()` - RGB生成
- `run_segmentation()` - 图像分割
- `extract_primary_features()` - 特征提取
- `compute_background_spectrum()` - 背景计算
- `apply_background_and_optional_resample()` - 背景校正+重采样
- `run_primary_classification()` - 主要分类
- `run_secondary_classification_if_needed()` - 二次分类
- `postprocess_class7_shadow()` - 阴影后处理

### 7.2 mask.py - 图像分割

**功能:**
- 微塑料颗粒检测
- 滤纸背景区域识别
- 返回微塑料掩膜和滤纸掩膜

**关键参数:**
- `flow_threshold`: 流动阈值
- `cellprob_threshold`: 细胞概率阈值

### 7.3 shape_spectral.py - 光谱特征提取

**功能:**
- 从BIL数据提取光谱特征
- 计算形状特征（轮廓、面积等）
- 使用PlantCV库

### 7.4 shape_spectral_background.py - 背景校正

**功能:**
- 计算滤纸背景光谱
- 用于后续背景校正

### 7.5 classification_model.Parallel.predict_plastic - 分类预测

**功能:**
- 加载训练好的模型
- 特征标准化
- 预测塑料类别

---

## 八、注意事项与常见问题

### 8.1 系统要求
- **Python版本**: 3.12+
- **内存**: 足够处理高光谱数据（建议16GB+）
- **存储**: 建议使用固态硬盘
- **GPU**: 可选，用于加速（CUDA支持）

### 8.2 常见问题

#### Q1: 运行时报错"ModuleNotFoundError"
**解决:** 确保已安装所有依赖
```bash
pip install -r requirements.txt
```

#### Q2: 处理大型文件时内存不足
**解决:** 
- 考虑减少处理区域
- 增加系统内存
- 分批处理数据

#### Q3: 分类结果不准确
**解决:**
- 检查输入数据质量
- 确认模型是否适合当前数据类型
- 验证波长范围是否匹配

#### Q4: BIL文件波段数不足
**解决:** 确保输入文件至少有160个波段（RGB生成需要索引9, 59, 159）

#### Q5: 特征维度不匹配错误
**解决:** 
- 检查模型对应的`scaler_params.pkl`是否存在
- 确认训练时和预测时的特征维度一致

### 8.3 重要注意事项

1. **波长对齐**: 系统会自动检测输入波长与训练波长(237通道)是否匹配，不匹配时会自动重采样
2. **背景校正**: 使用滤纸区域光谱作为背景进行除法校正
3. **轮廓收缩**: 输出前会自动收缩轮廓1像素，避免颗粒相连
4. **阴影处理**: 类别7/8会进行阴影检测，低对比度区域会被标记为背景

---

## 九、模型文件说明

### 9.1 模型文件位置
```
classification_model/modelsave/
├── svm.m                    # 主分类模型(SVM)
├── scaler_params.pkl        # 标准化参数
└── HDPELDPE_model/
    └── svm.m               # HDPE/LDPE二次分类模型
```

### 9.2 支持的模型类型
- SVM (支持向量机)
- Random Forest (随机森林)
- XGBoost/LightGBM (梯度提升)
- CNN (卷积神经网络)
- SAE+CNN (堆叠自编码器+CNN)

---

## 十、开发历史与版本记录

### v1.0.0 (2025-08-26)
- 初始版本发布
- 支持BIL格式高光谱数据处理
- 集成UNet分割和SVM分类
- 输出ENVI格式分类结果
- 支持9种塑料材料分类

---

## 十一、联系方式

| 项目 | 信息 |
|------|------|
| **作者** | 北京依锐思 |
| **邮箱** | huilai_zhang@126.com |

---

## 十二、待优化/已知问题

### 12.1 已知限制
1. 输入BIL文件波段数需≥160（RGB生成需求）
2. 滤纸检测依赖于阈值方法，对非标准滤纸可能需要调整参数
3. 二次分类仅针对HDPE/LDPE

### 12.2 建议改进方向
1. 增加更多二次分类场景（如PP/PS等易混淆材料）
2. 优化内存使用，支持更大文件流式处理
3. 添加GUI界面便于非技术用户使用
4. 增加批处理脚本的配置化能力

---

**文档生成日期:** 2026-04-10

**文档版本:** 1.0