紡織品的人工智能檢測技術分析*

肖 琦

武漢職業技術學院,湖北 武漢 430070

迄今為止，人工智能技術已經有六十多年的發展歷史。結合其發展情況來看，隨著人工智能技術應用推廣力度的不斷加強，該項技術已經成功在各生產領域中得到了廣泛推廣與應用。究其原因，主要是因為與其他技術相較而言，人工智能技術所顯現出的計算機處理能力明顯增強，且隨著各種芯片不斷被開發與利用，為人工智能數據處理以及高速運算提供了良好保障。與此同時，人工智能技術在核心算法方面取得了重要突破[1]。其中，基于大數據的深度學習算法促使生產工作變得更加智能化與自動化。可以說，新一代人工智能技術的深度應用為我國各行業領域生產工作以及發展工作奠定了良好基礎。目前，為進一步推動人工智能技術在行業生產領域中的可持續應用，工業和信息化部重點針對新一代人工智能產業發展行動計劃問題進行了科學部署，主動將人工智能與制造業深度融合，為我國生產工作和發展工作提供良好的內在驅動力。

1 紡織品檢測類型及劃分依據

1.1 紡織品檢測的主要類型

對于我國紡織品檢測工作而言，在紡織品檢測方面，主要可以從外觀檢測、物理性能檢測、化學性能檢測和功能檢測四個方面進行分析。操作人員可根據檢測分析反饋結果，對當前紡織品質量性質進行動態把握。與此同時，部分技術人員在進行檢測分析時，可借助檢測手段對紡織品檢測問題進行劃分，從感官檢測、儀器檢測以及感官與儀器檢測相結合的方式進行應用實踐。

1.2 紡織品檢測的劃分依據

結合紡織品檢測情況來看，在劃分依據表現方面主要可以從基礎性標準、方法性標準和產品性標準三個方面進行研究。

其中，對于基礎性標準而言，基本上可以視為紡織行業發展的基礎指標。在應用過程中，主要可以從檢測過程中的具體結構和數量及單位之間的互相轉換關系，以及所涉及的環境保護以及生產安全性等進行研究與分析。根據分析反饋結果，對當前紡織品檢測過程進行嚴格管理，提高紡織品檢測效率與質量[2]。

對于方法性標準而言，在檢測過程中需要借助相對應的設施和儀器，利用專業化檢測手段及技術方法對當前紡織品質量進行合理評估。目前，方法性標準基本上可以視為多數紡織企業常用的規范標準，可以實現對紡織品檢測各步驟的嚴格把控。

對于產品性標準而言，主要針對紡織品中批量產品的規格數量和加工工藝等進行管控分析。主動結合行業具體標準及相關要求，對當前紡織品是否合格進行精準鑒定。

2 人工智能檢測技術在紡織檢測領域中的發展趨勢

結合大環境發展趨勢來看，傳統紡織檢測方法已經難以完全適用于當前智能化與自動化檢測的背景當中。究其原因，主要是因為傳統紡織檢測方法以人為操作為主，在檢測質量與檢測效率方面容易受到人為操作因素的影響而出現滯后性問題。近年來，為進一步增強紡織檢測領域的應用質量，相關工作人員主動利用人工智能檢測技術，實現對紡織檢測過程的動態管理，提高紡織檢測效率的同時，增強紡織檢測質量。

從人工智能檢測技術的發展情況來看，人工智能技術應用于紡織領域源于20世紀90年代之后，當時行業內部生產人員主要利用神經網絡技術，將檢測重點集中表現在纖維增強復合材料性能預測以及生產工藝優化等方面。與此同時，人工智能技術還可以應用于織物表觀性能和色差評級等應用領域當中，在檢測質量與效率方面均取得了良好成效。其中，在人工智能檢測技術的應用方面，檢測人員主要利用BP神經網絡—誤差反向傳播等方法，實現智能化檢測過程[3]。

從原理表現上來看，BP神經網絡可以視為前向網絡的核心部分，在特征表現方面主要借助中間層對輸出層的反傳方式和涉及的誤差問題，實現學習過程。在BP算法表現方面，檢測人員可以通過比較實際輸出值與期望值，獲取誤差信號，并根據誤差信號情況，從輸出層向輸入層逐層反傳處理。根據作用情況來看，BP神經網絡可以通過調節各神經層神經元之間的連接權重，不斷減小誤差。雖然從客觀角度上來講，這種算法不能保證訓練期間全局誤差達到最小，但是可以滿足局部誤差最小的要求。

從成效方面來看，在紡織工業生產中通過應用上述人工智能技術內容，基本上可以達到提高生產效率和增加產品質量效果的目的。最重要的是，隨著算法的不斷改進和計算機處理速度的不斷提高，人工智能可大幅度降低工人生產強度，并減少生產誤差問題。需要注意的是，在當前應用階段人工智能技術及相關系統尚未達到成熟應用狀態。舉例而言，在識別織物紋理以及布匹疵點檢測技術方面還是存在一定滯后性問題。再加上人工智能算法相對復雜，在執行速度與效率方面容易受到算法流程的影響而出現不良問題。在今后的發展中，研究人員應該致力于針對上述問題進行重點解決[4]。

3 紡織品檢測領域中人工智能檢測技術的應用

人工智能檢測技術在紡織品檢測領域中尚未達到成熟應用狀態，但是在部分檢測領域中可通過借助人工智能化檢測方式，達到良好的檢測效果。結合實踐反饋情況來看，在紡織檢測領域中，下述4種人工智能檢測技術基本上可以達到良好的紡織品檢測效果。

3.1 AI驗布機

瑞士烏斯特企業于2018年收購了以色列應用于紡織業檢測工作的自動視覺檢測設備。該檢測設備可以實現對紡織物質量以及色彩的系統性測驗過程，根據測驗反饋結果，判斷當前紡織物生產質量是否達標。與此同時，英國、德國等先進國家相繼推出基于智能化技術的驗布機設備，進一步拓展了人工智能檢測技術在紡織品檢測領域中的應用發展規模。然而這些機器雖然打著穩定性好且通用性強的口號流通于市場當中，但是經過長時間的操作實驗后發現這類設備所存在的弊端問題不在少數。比較明顯的就是驗布機對于未知分辨率表現過低，且容易受到紡織品類型的限制，導致其在計算效率和準確度方面有所欠缺[5]。

最重要的是，在生產應用過程中，驗布機可能會受到環境因素和相關因素的影響而出現遲緩問題，因此市面上對于驗布機反饋評價并不是很高。從客觀角度上來講，人工智能檢測技術在進行紡織物檢測過程中容易受到生產步驟的影響，對最終檢測結果和生產結果造成不良影響。從整體上看，人工智能技術可以視為一體化技術的領域范疇，在自身檢測速率方面明顯高于機下檢測。近年來，國內本土企業在人工智能技術發展背景的不斷深化下，紛紛開始自行生產，并應用了自主圖像算法處理系統，可以實現對紡織物檢測過程的動態監督與管理。需要注意的是，在硬件設備的配備上，我國本土企業還是需要依靠西方發達國家。

3.2 AI纖維種類鑒別

紡織工廠在纖維種類的鑒別處理方面通常會利用顯微鏡，主要通過對橫向紋理以及豎向紋理纖維進行分化處理，判斷纖維種類。然而，長期以來，這種鑒別方式過于依賴人工操作和人眼識別，在鑒別效率與精確度方面有所欠缺。再加上人眼長時間使用容易出現誤差問題，可能會對最終檢測效率造成不利影響。目前，在人工智能檢測技術的驅動作用下，智能人工系統的鑒別纖維方式已經在我國紡織工廠檢測工作中得到了推廣與應用。在鑒別方式的選擇上，工作人員可利用神經網絡方式對大量樣品圖像進行歸檔處理[6]。

結合所需鑒別紡織物的可用特征，讓系統對其特征進行分辨處理。并在此基礎上，借助非監督神經網絡學習和成分分析特點，對輸入變量的特征值進行主動提取。最后將樣本鱗片特征值與輸出值代入感知器當中，實現監督訓練過程。獲取計算結果之后結束訓練，結合訓練好的神經網絡對當前所獲取的樣本價值信息進行分類處理，完成具體檢測過程。舉例而言，在區分美利奴羊毛以及馬海毛的過程中，操作人員可利用上述方法原理，對樣品圖像進行歸檔并提取可用特征。由系統完成對特征的分辨和輸入變量特征值的提取，最終根據計算結果對美利奴羊毛以及馬海毛進行區分。

3.3 AI纖維含量檢測分析

為高質量開展纖維含量檢測工作，紡織檢測領域主動利用AI毛絨儀實現對各種混紡產品動物毛類纖維含量的自動檢測與分析。該儀器設備主要利用計算機視覺技術，自動獲取混紡纖維清晰圖像。結合以往的檢測經驗來看，羊絨羊毛鑒別難度相對較大。通過利用AI毛絨儀可自動提取羊毛鱗片厚度和高度等特征值參數，根據數值反饋情況對羊絨和羊毛進行精準鑒別，并利用相關計算方法對動物毛類纖維各組分含量進行精準獲取。結合當前應用推廣情況來看，因相關企業對于AI毛絨儀進行了大量實踐研究，促使該儀器設備在市場上已經形成逐步推廣與應用規模，使用效率較高[7]。

3.4 AI橫截面儀

AI橫截面儀主要利用傳統顯微鏡與人工智能結合的方式，實現對纖維橫截面的精準識別與面積計算。并借助計算機視覺技術，對所拍攝的橫截面圖像進行智能化處理。如重點針對纖維橫截面邊緣進行繪制分析，減少以往的誤差問題。與此同時，AI橫截面儀可對纖維進行預分類，并利用智能化識別技術對與橫截面相關的數據進行匯總分析，并以報告呈現出來。結合應用實踐情況來看，廣州冠圖視覺科技有限公司所推廣的橫截面儀技術相對成熟，目前已經在紡織檢測領域中得到了良好應用效果。結合當前應用趨勢來看，該項技術還存在較大的發展空間，可對其進一步深度挖掘。

4 結束語

總而言之，人工智能技術的推廣與應用已經成為影響行業核心競爭能力的先導性因素。可以說，在人工智能技術的帶領下，我國傳統產業生產模式發生了巨大變革。在這樣的發展態勢下，以紡織品領域為首的工業生產領域應該主動立足于人工智能技術的前沿發展動態，對當前行業內部技術體系存在的滯后性問題進行及時改正與完善。與此同時，為進一步助推紡織業領域人工智能化發展，行業內部研究人員應該加強人工智能技術在紡織品生產領域中的應用推廣力度，尤其是紡織品檢測領域。除此之外，為普及應用人工智能檢測技術，建議紡織品生產領域應緊隨科教興國戰略發展，加強對相關技術人才的培養，為紡織品人工智能檢測技術的可持續應用奠定良好基礎。相信在不久的將來，人工智能檢測技術定會在紡織品領域中得到進一步推廣與應用。