DOI:10.1364/OE.389181
電紡纖維的表面形態在很大程度上決定了其應用前景。傳統的掃描電子顯微鏡通常用來觀察聚合物電紡纖維的微觀結構，這種方法很耗時，也會損壞樣品。本文采用反向散射穆勒偏振測定，通過統計學習方法對材料的微觀結構特征進行分類。在將穆勒矩陣（MM）數據輸入到分類器之前，研究者使用兩階段特征提取方法篩選出具有代表性的偏振參數。首先，根據互信息度量的特征功率，對不相關的MM元素進行濾出。然后利用相關解釋（CorEx）方法對相互依賴的元素進行分組，并提取代表它們在每組中關系的參數。提取的參數由隨機森林分類算法以包裝器正向特征選擇方式進行評估，結果表明該算法在分類性能上是有效的，同時也為無孔電紡纖維的實時自動檢測提供了可能。
圖1.具有不同表面形態的電紡纖維的SEM照片。（a）無孔表面，PLLA/PCL（25:75），紡絲溶液（8wt%），N，N-二甲基甲酰胺（DMF，6g）；（b）無孔表面，PLLA/PCL（100:0），紡絲溶液（8wt%），DMF（6g）；（c）網狀表面PLLA/PCL（100:0），紡絲溶液（8wt%），DMF（4.6g）；（d）多孔微球（25:75），紡絲溶液（4wt%），DMF（4.8g）。
圖2.實驗裝置。（a）CCD的強度分布，其中中心區域（紅色框）被裁剪并分析。（b）具有兩個有源偏振元件的穆勒矩陣反向散射成像系統：偏振態發生器（PSG）和偏振態分析儀（PSA）。（c）電紡纖維樣品的照片。
圖3.電紡纖維MMs的2D圖像。（a）無孔表面；（b）網狀表面；（c）多孔微球。對角元素的色條從-0.5到0.5，其他元素的色條從-0.1到0.1。
圖4.單個元素的互信息（MI）得分。（a）每個元素和類變量C之間的MI，即I（Mij，C）。曲線代表MI的累積百分比。（b）M44與其他元素（即I（M44，Mij|C）-I（M44，Mij））之間的多信息示例。在此，將M44本身的交互值設置為零，因為該值與I（M44，C）（非正值）相反。
圖5.給定組號l=2時，CorEx的分組結果。（a）從每個組中提取的參數與類變量之間的MI。橫軸是等式（6）中可能值r的數量。（b）CorEx生成分組結果的示意圖。底行中的元素表示輸入。較高層中的Y1和Y2是學習的參數，這些參數解釋了每組之間的關系。
圖6.帶有包裝器正向選擇的RF分類精度。結果如下：（1）所有15個MM元素和兩個提取的參數；（2）所有15個MM元素和兩個提取的參數，將第一個選取特征設為Y2的；（3）所有15 個MM元素。
圖7.RF分類結果的ROC曲線。（a）選擇包裝器之前的參數集。原始集合和增強集合的AUC分別為0.894和0.865。（b）選擇包裝器后的參數集。原始集合和增強集合的AUC分別為0.940和0.908。
圖8.Y1、Y2和MM元素的特征重要性。
微信二維碼
