DOI:10.1364/OE.389181

电纺纤维的表面形态在很大程度上决定了其应用前景。传统的扫描电子显微镜通常用来观察聚合物电纺纤维的微观结构，这种方法很耗时，也会损坏样品。本文采用反向散射穆勒偏振测定，通过统计学习方法对材料的微观结构特征进行分类。在将穆勒矩阵（MM）数据输入到分类器之前，研究者使用两阶段特征提取方法筛选出具有代表性的偏振参数。首先，根据互信息度量的特征功率，对不相关的MM元素进行滤出。然后利用相关解释（CorEx）方法对相互依赖的元素进行分组，并提取代表它们在每组中关系的参数。提取的参数由随机森林分类算法以包装器正向特征选择方式进行评估，结果表明该算法在分类性能上是有效的，同时也为无孔电纺纤维的实时自动检测提供了可能。

图1.具有不同表面形态的电纺纤维的SEM照片。（a）无孔表面，PLLA/PCL（25:75），纺丝溶液（8wt%），N，N-二甲基甲酰胺（DMF，6g）；（b）无孔表面，PLLA/PCL（100:0），纺丝溶液（8wt%），DMF（6g）；（c）网状表面PLLA/PCL（100:0），纺丝溶液（8wt%），DMF（4.6g）；（d）多孔微球（25:75），纺丝溶液（4wt%），DMF（4.8g）。

图2.实验装置。（a）CCD的强度分布，其中中心区域（红色框）被裁剪并分析。（b）具有两个有源偏振元件的穆勒矩阵反向散射成像系统：偏振态发生器（PSG）和偏振态分析仪（PSA）。（c）电纺纤维样品的照片。

图3.电纺纤维MMs的2D图像。（a）无孔表面；（b）网状表面；（c）多孔微球。对角元素的色条从-0.5到0.5，其他元素的色条从-0.1到0.1。

图4.单个元素的互信息（MI）得分。（a）每个元素和类变量C之间的MI，即I（Mij，C）。曲线代表MI的累积百分比。（b）M44与其他元素（即I（M44，Mij|C）-I（M44，Mij））之间的多信息示例。在此，将M44本身的交互值设置为零，因为该值与I（M44，C）（非正值）相反。

图5.给定组号l=2时，CorEx的分组结果。（a）从每个组中提取的参数与类变量之间的MI。横轴是等式（6）中可能值r的数量。（b）CorEx生成分组结果的示意图。底行中的元素表示输入。较高层中的Y1和Y2是学习的参数，这些参数解释了每组之间的关系。

图6.带有包装器正向选择的RF分类精度。结果如下：（1）所有15个MM元素和两个提取的参数；（2）所有15个MM元素和两个提取的参数，将第一个选取特征设为Y2的；（3）所有15 个MM元素。

图7.RF分类结果的ROC曲线。（a）选择包装器之前的参数集。原始集合和增强集合的AUC分别为0.894和0.865。（b）选择包装器后的参数集。原始集合和增强集合的AUC分别为0.940和0.908。

图8.Y1、Y2和MM元素的特征重要性。