基于深度學習算法的織物風格評價模型與纖維力學性能分析

申粉粉

（上海工程技術大學 機械與汽車工程學院，上海 201620）

0 引言

隨著人類生活水平的不斷提高，紡織業也得到了前所未有的發展。新的紡織產品正在逐步出現并得到廣泛應用［1］。自20 世紀50 年代中期以來，美國率先開發出異形纖維，并生產出三角形截面纖維。之后，德國開發出了五角形橫截面纖維。20 世紀60年代初，美國開發出具有優異隔熱性能的中空纖維。此后，日本、英國、意大利等國也相繼研制出這類產品［2］。相比之下，中國異形纖維的開發和生產起步較晚，隨著紡織技術的發展，人們對異形纖維的探索也越來越豐富，除了基本形狀的纖維外，還開發了十字形、啞鈴形和VY 形纖維［3］等。雖然天然纖維與異形纖維具有相同的化學成分，但由于異形纖維的截面形狀不規則，使紡織品的某些物理性能得到了改善。因此，異形纖維被用作絲綢和亞麻等新型紡織品的原料。

與發達國家相比，中國纖維紡織品的檢測技術還存在一定的差距，特別是對各類異形纖維的檢測。如何快速準確地對異形纖維進行識別和分類，是中國進出口檢驗過程中的一項重要任務［4］。目前，在新材料、新工藝不斷創新的情況下，，在激烈的市場競爭和生產資料更新換代的壓力下，如果企業控制影響生產質量的重要工序，能明確產品質量的評價標準，提前修改生產工藝參數，就能保證紡織品的質量［5］。

隨著圖像處理和深度學習技術的發展，一些學者通過輪廓碼對韌皮纖維和葉纖維進行分類識別，提出了異形纖維的識別算法，并通過數字圖像的特征提取來檢測紡織纖維［6］。考慮到變形后的纖維對識別結果影響很大，基于纖維圖像處理，訓練了一種基于深度學習的卷積神經網絡（CNN）來識別變形纖維。此外，還利用傳統的反向傳播神經網絡（BPNN），模擬原纖維質量與紡織品質量之間的相關性，從而構建了紡織品質量預測模型。希望通過對針織復合材料力學性能的分析，為針織復合材料的應用提供依據。

1 方法

1.1 異形纖維的圖像處理

在數字圖像處理和分析中，圖像的預處理是圖像分割、特征提取和分類識別的基礎。在采集異形纖維橫截面顯微圖像時，由于設備、制造工藝、采集方法等外界因素的干擾，噪聲往往會影響圖像的質量。圖像預處理通過灰度化、去噪、邊緣檢測和增強等步驟消除圖像中的噪聲和無關信息，從而增強了有用信息，提高了原始圖像的可檢測性［7］。

異形纖維的橫截面顯微圖像，是光學生物顯微鏡拍攝的真彩色圖像。然而，顏色不是分類和識別的主要特征，通常選擇灰度圖像來顯示諸如亮度和色度之類的關鍵信息。通過對圖像進行灰度化處理，簡化了計算過程，提高了計算速度。彩色圖像數據包含紅綠藍（RGB）值。對于灰度化，這3 個分量應使用不同的權重進行加權和平均。依據上述分析，得到灰度圖像的像素值（G），其表示為：

在原始光纖圖像中，由于外界因素的影響，噪聲干擾是不可避免的。因此，有必要通過相關技術消除噪聲，實現纖維圖像的最佳分割和識別［8］。常見噪波包括高斯噪波、瑞利噪波和伽馬噪波等。相應的去噪方法有空域去噪和頻域去噪兩種傳統方法。空域去噪方法包括中值濾波和均值濾波，即對原始圖像進行卷積處理，以達到平滑或去除噪聲的目的。最常用的頻域去噪方法是小波去噪。首先，將原始圖像轉換到頻域；經過適當的濾波和去噪處理后，將圖像轉換到空域，得到最終的去噪圖像［9］。近年來，在傳統去噪技術的基礎上發展了一種基于小波理論的去噪方法。通過設置適當的閾值（噪聲），移除小于閾值的系數，從而消除圖像中的噪聲。

對于異形纖維的橫截面顯微圖像，由于圖像的前景和背景的灰度差異很大，除了纖維內部和背景的灰度值差異不大外，還需要確定一個合理的閾值來最大化前景和背景類別之間的方差；同時，可以通過最大類間方差法，對閾值進行優化［10］。由于橫截面顯微圖像中纖維數量較多，再加上擠壓變形等因素的存在，通過水平集方法可以有效地獲取目標的輪廓信息。分割目標的邊緣信息應盡可能完整，即使對于邊緣較弱的纖維圖像，也要避免過度分割。

1.2 基于深度神經網絡的分類與識別

深度學習作為機器學習發展過程中形成的一門新興學科，主要負責數據的表征學習。在分類和識別過程之前，將低層特征組合成更抽象的高層特征。深度學習通過建立一個學習模型來適應復雜的功能，該模型從訓練數據中學習某些類型數據的特征。CNN 是深度學習領域使用最廣泛的網絡框架。網絡結構越深，結構就越復雜。神經網絡由許多相互連接的節點組成；信號的傳輸有一個加權值，每個節點都有一個特定的激活函數。加權和偏置后，神經元的輸入Z和輸出y表示為：

其中：x0表示偏移；x1和x2是輸入；θ1和θ2是權重。如果有n個輸入，θ ＝（θ0，θ1，...，θn）T，x ＝（x0，x1，...，xn）T，則θ0＝1。通過激活函數的輸出y表示為：

深度神經網絡（DNN）的結構如圖1 所示。輸入層連接到多個節點，結果輸出將用作下一層的輸入，最終輸出將在多層連接之后獲得，從而形成DNN。DNN 學習是一種有監督學習，本質上是學習多個輸入輸出之間的映射關系。其循環訓練的目的是不斷減少損失函數，直到收斂；網絡中的層數將根據具體情況而定［11］。

圖1 DNN 結構Fig.1 DNN structure

DNN 包括前向傳播和后向傳播兩個階段。在前向傳播階段，首先對所有參數進行初始化后，根據輸入計算出每一層的輸出。最后，對網絡進行訓練后，對預測樣本進行分類。網絡中的各種輸出形式表示為：

其中：L是第L層的隱藏層；W［L］是第L－1 層和第L層之間的權重；b［L］是第L－1 層和第L層之間的偏置向量；g［L］是第L層的激活函數，并且分別表示第L層的加權輸出和激活輸出。

在反向傳播階段，可以根據實際輸出，計算損耗函數J（w，b）：

各參數的梯度值表示為：

其中：m表示樣本數量，dA［L］可由損失函數直接計算；dZ［L］為損失函數的梯度；dW為損失函數對權重的偏導數；db為損失函數對偏差的偏導數。

由于傳統的神經網絡結構包含大量的節點，細胞神經網絡通過卷積核引入卷積計算，從而實現參數共享，減少參數個數，縮短了模型訓練時間。CNN通常包括4 層：輸入層、卷積層、匯聚層和完全連接層。卷積層使用卷積核對輸入圖像進行處理，類似于濾波過程。匯集的目的是減小具有許多參數的圖像空間大小，從而減少進入完全連接層的參數數量。常用的池化處理方法包括最大池化和平均池化，這兩種方法都提取區域特征。不同之處在于輸出值，如圖2 所示。最終完全連接層將學習到的要素映射到標簽空間。通常在分類輸出層之前有1－3 個完全連通的層，其包含了輸入圖像所有特征的信息組合。

圖2 兩種池化方法的輸出值Fig.2 Two pool method

作為深度學習模型之一，CNN 比傳統的淺層神經網絡更適合圖像特征提取。通過將灰度圖像直接輸入網絡，大大簡化了預處理過程。CNN 還逐步對底層特征進行抽象和組合，形成高層特征，優化分類識別效果。在異形纖維識別過程中，CNN 和傳統淺層神經網絡的分類過程如圖3 所示，基于CNN 的異形纖維識別過程如圖4 所示。

圖3 不同纖維分類方法的比較Fig.3 Comparison of different fiber classification methods

圖4 基于CNN 的異形纖維識別過程Fig.4 Identification process of profiled fiber based on CNN

1.3 基于神經網絡的紡織品質量預測模型

生產和加工技術是決定成品紡織品質量的核心，而原棉纖維的質量是保證紡織品質量的基礎。考慮到大型紡織品的生產參數對成品質量的影響受人為因素的控制，在假設生產參數不變的情況下，探討原棉質量參數對織物質量的影響［12］。在構建基于神經網絡的紡織品質量預測模型時，首先對原纖維質量指標進行處理，將這些數據作為輸入，將紡織品質量作為輸出。選取的質量指標包括原棉長度和纖維成熟度；紡織品質量指標包括紗線強力。根據特定的算法建立神經網絡模型后，利用大部分實際數據作為訓練樣本對網絡進行訓練，剩余的樣本用來評估訓練好的神經網絡。最后，基于新質量指標對紡織品的質量進行了預測。

紗線強力是評價紗線質量的重要指標，是保證紡織品強力、延長使用壽命的重要指標［13］。紗線強力的基本指標主要包括絕對強力（斷裂強力）和相對強力。其中，相對強力分為兩個指標：單紗斷裂強力和單紗斷裂強力變異系數。紗線強力與纖維長度均勻度之間存在很強的相關性。同一品種的纖維長度和整齊度與紗線強力的關系見表1。

表1 同一品種的纖維長度、均勻性和紗線強度Tab.1 Fiber length，uniformity and yarn strength of the same variety

纖維長度越長，紗線的強力越高，見表1。如果纖維較短，增加纖維長度會增加紗線強力；如果纖維足夠長，紗線強度會因纖維長度的增加而顯著降低。紡織品質量指標包括：紗線強力（Y1）和棉結總數（Y2），作為輸出。在所有數據中，25 組作為訓練樣本，其余5 組作為測試樣本。訓練輸入和輸出矩陣分別為10×25 和1×25，測試輸入和輸出矩陣分別為10×10 和1×10。

基于BP 神經網絡的紡織品質量預測模型包括輸入層、隱含層和輸出層。利用重復糾錯功能，網絡對輸入響應的準確性也得到了提高［14］。但是，考慮到該BP 神經網絡訓練時間長、易陷入局部極小值等局限性，將其與粒子群算法相結合。利用粒子群算法的實數解和易于實現等優點，使質量預測模型具有更快的收斂速度。PSO－BPNN 的具體算法流程如圖5 所示。

圖5 PSO－BPNN 的算法流程Fig.5 Algorithm flow of PSO－BPNN

另外，隨著計算機科學的發展，基于粒子群算法的思維進化算法（MEA）從1998 年開始被提出并應用。MEA 的特點在于引入了“收斂”、“異化”等過程來提高全局搜索性能。通過在子群內收斂和全局實施異化操作，這兩種方法的協作將提高搜索效率［15］。當MEA 算法滿足迭代終止條件，將輸出最優個體。然后，生成BP 神經網絡的初始權值和閾值。最后，利用訓練樣本對網絡進行訓練。

2 實驗結果與分析

2.1 試驗數據選取

為探討DNN 在異形纖維分類識別中的性能，選取北京進出口檢驗檢疫部門提供的纖維截面顯微圖像作為數據樣本。經過數據集創建、圖像處理等步驟，共得到3 萬幅50×50 的纖維圖像，共6 大類，分別為槽形纖維、交叉粘合纖維、三角纖維、啞鈴形纖維、VY 形纖維和W 形纖維，每類包含5 000幅圖像。對于每個類別，選擇4 000 個樣本作為訓練樣本、1 000個樣本為測試樣本。為了評估所設計的DNN模型的分類性能，根據文本識別方法對6 類異形纖維數據進行了測試。

2.2 異形纖維的分類識別結果

利用深度學習領域中的CNN 模型識別成形纖維，結果如圖6 所示。顯然，所提出的網絡在識別大多數形狀的纖維方面表現得更好。特別是對啞鈴形纖維、三角形纖維和VY 形纖維的識別準確率都在98%以上，而對縫隙纖維和W 形纖維的識別準確率較低，不到80%。分析表明，如果三角形纖維和VY形狀的纖維中含有較多的異形纖維，則其與縫隙狀纖維具有很高的相似性。因此，識別可能有偏差，從而降低了縫隙狀光纖的識別率。

圖6 異形纖維的分類與識別結果Fig.6 Classification and recognition results of profiled fiber

在此基礎上，維持了包含兩層卷積的七層網絡結構，分析了不同卷積核大小對異形纖維分類結果的影響。構造了3 種不同的卷積結構：NET1（67×7卷積核，87×7 卷積核）、NET2（67×7 卷積核，127×7 卷積核）和NET3（87×7 卷積核，167×7 卷積核）。3 種網絡結構對異形纖維的分類識別結果見表2。

表2 不同卷積結構對異形纖維的識別結果Tab.2 Recognition results of different convolution structures for profiled fibers

由此可見，在神經網絡卷積核較少的情況下，相應提取的特征也較少，纖維表征不足，則識別率較低。隨著卷積核的數量逐漸增加，識別率也隨之提高。但是，當卷積核增加到一定數量時，可能會出現特征提取的冗余，此時識別準確率不再提高。

2.3 預測的結果

對于基于神經網絡的紡織品質量預測模型的性能分析，比較了傳統的BP 神經網絡模型、PSOBPNN 模型和基于MEA 的BP 神經網絡模型的預測性能。在此，對12 個紡織品樣品的質量進行了預測。3 種模型的質量預測結果如圖7～10 所示。

圖7 樣品1～6 的紗線強度預測結果Fig.7 Yarn strength prediction results of samples 1 to 6

圖8 樣品7～12 的紗線強度預測結果Fig.8 Yarn strength prediction results of samples 7－12

圖9 樣本1～6 中總棉結的預測結果Fig.9 Prediction results of total neps in samples 1～6

圖10 樣本7～12 中總棉結的預測結果Fig.10 Prediction results of total neps in samples7～12

紗線強力（Y1）的預測結果表明，與傳統的BPNN 模型相比，PSO－BPNN 模型的預測值與實際值吻合較好，PSO－BPNN 的預測精度高于基于MEA的BPNN。對總棉結（Y2）的預測結果表明，除了樣本5 和樣本8 外，傳統的BP 神經網絡也表現出了較好的預測效果。但相比較而言，PSO－BPNN 模型的預測性能更穩定，預測值與實際值相差較小；除樣本9 外，基于MEA 的BP 神經網絡模型預測誤差較大，但對棉結總數的預測性能穩定。

3 結束語

隨著紡織新工藝和紡織纖維材料的不斷創新和發展，紡織行業對纖維種類和含量的檢測提出了更高的要求。機器學習作為一種從標注數據中學習數據內在規律和特征的技術，在纖維識別領域得到了廣泛的應用。特別是在異形纖維的檢測中，機器學習在準確率和效率上體現了其優勢。但是，由于淺層機器學習模型仍然需要人工操作來提取樣本的特征，所以這個過程是冗余和繁瑣的。相比之下，深度學習可以通過大規模數據訓練來學習數據的本質特征，顯著提高了識別準確率。因此，本文利用深度學習模型之一的細胞神經網絡（CNN）構建了異形纖維的識別模型。該模型將灰度圖像直接輸入到網絡中，大大簡化了圖像的預處理過程。CNN 還逐步對底層特征進行抽象和組合，形成高層特征，優化分類識別效果。此外，利用傳統的BP 神經網絡來模擬原纖維質量與紡織品質量之間的相關性，從而構建了紡織品質量預測模型。實驗表明，該網絡對大多數形狀的纖維都有較好的識別效果。特別是對啞鈴形纖維、三角形纖維和VY 形纖維的識別準確率都在98%以上，而對縫隙纖維和W 形纖維的識別準確率較低，不到80%。希望通過對針織復合材料力學性能的分析，為針織復合材料的應用提供依據。

然而，由于主觀和客觀的限制，不同網絡結構對異形纖維識別的影響的研究在這里并不涉及。因此，今后需要對不同網絡結構的具體應用效果進行分析，以進一步提高異形纖維的識別準確率。