專家解讀：纖維含量測定智能化是如何實現的？

近日，由廣州檢驗檢測認證集團有限公司聯合全國多家知名服裝企業共同起草的團體標準《紡織品纖維含量測定 人工智能識別法》發布并實施。紡織品纖維含量測試是紡織品測試中的基礎項目，測試量大，耗時長，對人員操作技術要求嚴格，化學試劑還會對檢驗人員的身體健康和環境保護不利。該團體標準的制定實施，能否解放纖維含量檢測人員？AI檢測的精確度如何？本期我們邀請了標準的起草單位之一廣州檢驗檢測認證集團有限公司的技術專家黃偉橋解讀紡織品纖維含量測定的智能檢測方法。

1 紡織品纖維含量是紡織檢測機構的主要項目，檢測量大，耗時長，準確度和檢測人員的經驗和水平有很大關系。本標準針對纖維含量檢測提出人工智能識別檢測法，請問標準的制定是基于什么考慮的？出臺這樣的標準具有哪些意義？

目前纖維成分含量定量測試的主流方法是化學法和物理法兩種。其中化學法利用纖維在化學試劑中溶解性能的差異進行定量，如國際標準ISO 1833系列、美國標準AATCC 20A、歐盟標準 (EU)No 1007、日本標準JIS L 1030-2、國標GB/T 2910系列等，這些標準涉及的測試過程中需要用到大量的化學試劑，配備專業的化學實驗室，對測試環境要求相對嚴格，且大量強酸強堿等試劑的使用不僅對檢驗人員的身體健康有威脅，產生的化學廢液也于環境不利。物理法則是根據纖維在顯微鏡下纖維形態的差異并經人工對其進行分類和測量進行定量，如國際標準ISO 17751系列、IWTO-58等，美國標準AATCC 20A，日本標準JIS L 1030-2，國標GB/T 16988，行業標準FZ/T 30003、FZ/T 01101等，這些標準執行過程中主要存在檢驗效率低、對人員經驗要求高，檢驗結果存在人員主觀誤差等問題。

近年來，采用近紅外光譜分析法、堿溶解度差異法、DNA分析法以及蛋白質組學分析等方法進行含量測試的研究也多見報道。研究人員期待用這些先進的科技手段和設備實現纖維成分定量分析。然而，不同的方法均有其局限性，如近紅外光譜法依賴于模型的適用性，DNA法在染色、剝色產品上的局限性，蛋白質組學分析方法檢測成本較高且效率較低等。

隨著計算機技術的不斷發展，以深度學習理論為代表的計算機視覺技術近年來也取得了突破性的發展，基于圖像特征的分類與識別技術也逐步滲入紡織行業，如在化纖生產端的在線智能疵點檢測，AI智能驗布，紡織品外觀智能檢測等。采用人工智能識別技術進行纖維含量測試，是指通過在顯微鏡下自動獲取纖維圖像，利用圖像處理方法獲得纖維的特征圖和特征指標，并通過圖像識別的相關算法進行分類識別，實現纖維含量的自動化、智能化檢測。這種人工智能識別檢測法運用了先進的AI、自動化以及圖像處理等技術，將纖維含量測試方法推向智能化和自動化的方向，不僅能將一線檢測人員從繁重的重復性工作中解放出來，提供更客觀、更穩定、更準確的測試結果，更是推動纖維含量檢測技術升級的新興力量。

2 請您簡要介紹一下人工智能識別檢測法的原理

采用人工智能識別法進行纖維含量測試，是以現有標準FZ/T 01101—2008《紡織品 纖維含量的測定 物理法》，FZ/T 30003—2009《麻棉混紡產品定量分析方法 顯微投影法》，GB/T 16988—2013《特種動物纖維與綿羊毛混合物含量的測定》等為基礎，采用光學顯微鏡放大纖維并自動采集纖維圖像，利用人工智能識別技術辨別各類纖維，圖像處理及數據分析處理技術測量纖維直徑（或面積）和根數，按需分別自動計算纖維的質量含量或根數含量。圖1是人工智能技術進行圖像識別的簡單原理。采用人工智能識別檢測法進行纖維含量測試的一般流程如圖2所示。

圖1 人工智能圖像識別的簡單原理

圖2 人工智能識別檢測法測試纖維含量的一般流程

3 人工智能識別法與傳統方法相比在哪些方面有優勢？準確度如何？

與傳統纖維含量測試方法相比，采用人工智能自動化測試方法優勢明顯，主要體現在以下幾個方面：

1）與傳統化學方法相比，采用人工智能自動化測試方法耗時大大縮短，兩組分的測試從至少半天縮短至0.5h以內；無需使用各類無機或有機的化學試劑，資源消耗少，對環境友好；測試過程中減少了人工參與，工作人員也無需在化學環境中工作。

2）與傳統顯微鏡物理法受檢驗人員的目光影響較大相比，采用人工智能自動化測試方法的過程客觀穩定，測試結果基于大數據分析得到，不受人員狀態、心理因素等不可控因素的影響；采用該方法，不僅檢測耗時由原來的1h～2h直接縮短至0.5h以內，且測試過程中無需人工參與，能將一線檢測人員從繁重的重復性勞動中解放出來。

3）對需要開展纖維含量測試的機構而言，采用人工智能自動化測試方法可實現部分替代人工，減少了在基礎重復性勞動上的人力投入，其人工成本隨著智能化測試方法的日趨成熟將逐步降低，未來將有望實現大范圍替代人工檢測；同時采用傳統方法培養一名測試人員需要3～9個月時間不等，而要成為一名熟練的纖維含量檢驗員則可能需要經過3 年以上實踐的鍛煉，而采用人工智能自動化測試基于大數據分析得到測試結果，識別和測試過程無需人工參與，人員培養、培訓和管理的成本大幅下降。

通常根據人工智能識別模型的建立基礎，樣品中的纖維間粘連成束、形態受損或變形、顏色較深不能褪去的，則不適用人工智能識別法。排除以上情況后，采用傳統顯微鏡法對人工智能識別法測試進行驗證，以棉/再生纖維素纖維混紡產品為例：超過95%的樣品采用兩種方法的測試結果偏差在±3%以內；驗證標準誤差可達2%（驗證誤差用于評估驗證集所有樣品的模型檢測值與參考值之間差異的標準偏差，該值越小，表明模型的檢測能力越強）；相關性高達99%（相關系數反映變量之間相關關系密切程度，越接近1說明相關性越好）；精測的精密度優于2%（人工智能識別的精密度可采用檢測值重復性的標準偏差表示）。通常，在適用人工智能識別法進行纖維含量檢測前，都應對其建立的模型和系統進行評估，以確保其滿足檢測要求。

4 AI識別適用于哪些纖維的檢測？對于外觀相似的纖維或者目前存疑的一些纖維的辨別比如羊絨/羊毛等，是否有效？對目前的檢測難點是否有解決辦法？

理論上來說，由在顯微鏡下具有典型縱截面特征（或典型橫截面特征）的纖維構成的混紡產品，都可以采用人工智能識別法進行檢測。但人工智能檢測具體適用于哪些纖維的檢測是由人工智能識別模型的范圍決定的，比如某AI識別模型僅包含對棉/亞麻混紡產品的識別能力，那么該系統僅適用于棉/亞麻混紡產品。目前市場上相對成熟的AI檢測纖維含量的產品多以棉麻混紡、再生纖維素纖維/棉混紡為主。動物毛纖維混紡產品因毛纖維間特征差異相對較小、對自動采集技術要求較高等原因，進展相對較慢，但隨著數據集的不斷積累以及AI模型的不斷完善，采用人工智能檢測法實現毛絨纖維含量定量指日可待。

現階段采用人工智能識別法進行纖維含量檢測仍以輔助和部分替代人員操作為主。對目前困擾紡織品纖維含量檢測領域的問題，如再生纖維素纖維/棉混紡、再生纖維素纖維/麻混紡等產品因化學性質相近采用溶解法定量易因溶解不完全或溶解過度等原因導致含量偏差，采用人工智能識別法進行檢測是很好的補充方法。當然，對于困擾毛絨纖維含量專家的，如羊絨/牦牛絨等特征極相似混紡產品的定量，人工智能識別法也需要不斷發展以滿足各種不同種類的需求。

5 采用人工智能檢測，是否意味著不需要檢測人員？對檢測機構的硬件有哪些要求？

人員需求方面，當前采用人工智能檢測方法是指在現有的顯微鏡法測試纖維含量的基礎上，利用人工智能識別技術、自動化技術等替代的是定量過程中人工識別纖維并進行分類，以及測量纖維等重復性的工作。前期的樣品分析、樣片制備以及后期對測試結果的評估等，目前均需由檢驗人員來完成。此外，現階段采用人工智能檢測方法進行纖維含量測試對測試樣品均有一定的要求，比如樣片中的纖維是否足夠分散，顯微鏡下纖維顏色是否過深從而影響智能識別的準確性等，這些因素一定程度上限制了所用人工智能識別模型的適用范圍，遇到這些樣品時仍需由人工測試完成。

硬件需求方面，采用人工智能識別法進行纖維含量測試，實驗室應配備一套自動光學顯微智能檢測系統，能高倍率拍攝纖維清晰照片外，該系統還應包含自動采集程序、人工智能識別纖維模型、自動測量纖維直徑（或面積）程序以及自動計算纖維含量等功能，該軟件是采用人工智能識別法進行纖維含量測試的核心部分。