1.一种基于红外高光谱的纺织品成分定量反演方法，其特征在于，包括如下步骤：S1、利用近红外光谱分析仪，对羊毛、涤纶、棉纺织样本布料进行红外高光谱数据采集；

S2、将采集到的羊毛、涤纶、棉纺织样本布料的红外高光谱数据进行数据预处理，划分高光谱训练集数据和测试集数据；

S3、基于随机森林算法建立随机森林回归模型，用于布料成分分析，并获取模型的评价指标；

所述随机森林算法，以纺织品的成分含量为因变量、红外光谱数据为自变量，以决策树为基本单元，依据随机森林回归，采用随机子空间划分的方法，随机选择不同的样本子集构建多个独立的决策树，在构建每棵决策树时，从全部特征中进行随机抽取，对羊毛、涤纶、棉混纺纺织品的成分进行分类和回归分析；

S4、利用麻雀搜索算法优化随机森林回归模型，寻找随机森林回归算法中的mtry最优值，优化随机森林回归模型；

S5、将羊毛、涤纶、棉纺织样本布料高光谱训练集数据，输入到优化后的随机森林回归模型进行训练，并将测试集数据输入至优化后的随机森林回归模型进行测试，获取优化后的模型的评价指标；

S6、获取待测布料的光谱数据，并按照步骤S2方法得到布料光谱处理后的数据，将数据输入到经过优化后的随机森林回归模型中，进行样本布料成分分析。

2.根据权利要求1所述的基于红外高光谱的纺织品成分定量反演方法，其特征在于，步骤S2中数据预处理，包括线性归一化、主成分分析及数据分类，具体如下：S2.1、线性归一化，将一条光谱数据映射到[0,1],减少无关信息的干扰，公式如下：；

其中， 为归一化之后的数值，Xi为光谱数据的实际数值，Xmin为一条光谱数据中最小值，Xmax为一条光谱数据中最大值；

S2.2、样本数据主成分分析，将羊毛、涤纶、棉纺织样本布料高光谱数据从高维数据转化为低维数据；

S2.3、样本数据数据分类，对降维后的羊毛、涤纶、棉混纺织品样本数据设置标签值，根据标签值进行训练集和测试集的随机划分。

3.根据权利要求2所述的基于红外高光谱的纺织品成分定量反演方法，其特征在于，步骤S2.2样本数据主成分分析，方法如下：S2.2.1、标准化数据，对高光谱数据进行标准化，确保高光谱数据的每个特征具有零均值和单位方差；

S2.2.2、计算标准化后数据的协方差矩阵，描述高光谱数据特征之间的相关性；

S2.2.3、计算协方差矩阵的特征值和特征向量，并选取主成分：按照特征值的大小排序特征向量，选择前n个特征向量作为主成分，将原羊毛、涤纶、棉纺织样本纺织布料光谱数据从高维数据降至低维数据；

S2.2.4、将原始高光谱数据投影到所选定的主成分上，得到降维后的高光谱数据。

4.根据权利要求1所述的基于红外高光谱的纺织品成分定量反演方法，其特征在于，步骤S3中，随机子空间划分的方法，步骤如下：S3.1、样本数据随机抽样:对包含有p个特征变量的原始样本D，采用有放回的抽样方法对D的部分观测值进行抽样，随机产生K个训练集θ1、θ2、…θk，未被抽中的数据组成袋外数据集作为测试样本集；

S3.2、特征变量随机选取：对于每个训练集中的样本，从p个特征变量中随机选取固定个数为n的变量作为决策树的分枝节点，构建决策树，n

其中，X表示自变量， K棵决策树组成随机森林回归模型，通过取平均值方式得到预测回归值 ：；

式中，每棵树对同一个样本的预测值分别为Y1,Y2,…,YK， 是对输入样本X的预测回归值；

S3.3、确定随机森林回归模型的超参数， mtry值为随机抽样的决策树的分枝节点数，即构建决策树时从P个变量中随机选取的 n个变量 。

5.根据权利要求4所述的基于红外高光谱的纺织品成分定量反演方法，其特征在于，步骤S4中，利用麻雀搜索算法，优化步骤S3中建立的随机森林回归模型，步骤包括：S4.1、初始化群体：初始化一群麻雀个体,每个麻雀个体表示问题的一个候选解；

S4.2、评估适应度：对每个麻雀个体计算其适应度值，问题是寻找随机森林回归模型中mtry的最优值，根据适应度函数，计算候选解在问题域中的性能或质量度量；

S4.3、根据麻雀的适应度值选择领袖麻雀，麻雀群体中的其他麻雀成员飞向领袖麻雀，模仿领袖麻雀的行为；

S4.4、更新位置：麻雀成员飞行后，每只麻雀更新其位置，向领袖麻雀的方向移动；

S4.5、检查停止条件：达到最大迭代次数或找到满意的问题解后算法结束；否则，回到步骤S4.3，重复选择领袖麻雀、其他麻雀成员飞行和位置更新的过程；

S4.6、返回最优解：算法结束，返回找到的最优解，将mtry最优值输入至随机森林回归模型中，优化随机森林回归模型。

6.根据权利要求5所述的基于红外高光谱的纺织品成分定量反演方法，其特征在于，步骤S5中，随机森林回归模型训练，步骤如下：S5.1、高光谱数据准备：准备用于训练和测试的羊毛、涤纶、棉纺织样本布料高光谱数据，并且确定输入的6个特征和目标变量；

S5.2、随机选择数据集：从步骤S2中已分类的总体羊毛、涤纶、棉纺织样本布料高光谱训练数据集中随机选择样本，进行有放回的抽样，形成用于随机选择的训练子集；

S5.3、构建决策树：基于特征的阈值，对训练子集的特征进行递归分割，构建若干个子决策树模型；

S5.4、特征选择：在每个决策树的分割过程中，仅从特征集中随机选择一部分特征；

S5.5、预测结果：对于分类问题，随机森林回归模型通过投票或多数表决确定最终预测结果；对于回归问题，随机森林回归模型通过平均或取中位数方式整合每棵树的预测结果。

7.根据权利要求6所述的一种基于红外高光谱的纺织品成分定量反演方法，其特征在于，所述步骤S3和步骤S5获取的随机森林回归模型评价指标，包括决定系数、平均绝对误差、均方根误差，具体如下：所述决定系数R‑squared，用于评价模型对数据的拟合程度，计算方法如下：；

其中，yi为纺织品纤维真实含量， 为模型对纺织品纤维的预测含量， 为纺织品纤维含量的平均值，n为样本数；

所述平均绝对误差MAE，用于评价模型的准确性，反映预测值和实际值之间的平均差距，计算如下：；

所述均方根误差RMSE，用于量化模型预测的平均准确度，够评估大误差对整体预测准确性的影响，计算如下：；

对于MAE或RMSE，指标的值越小，模型的预测准确度越高，性能越好；决定系数、平均绝对误差、均方根误差三个指标一起使用时，用于随机森林回归模型计算前后效果的对比，全面评估模型的性能。

8.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至7中任一项所述的基于红外高光谱的纺织品成分定量反演方法。

9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时，实现权利要求1至7中任一项所述的基于红外高光谱的纺织品成分定量反演方法。