混紡織物混紡比檢測的前沿技術及發展趨勢

林素存,魏 菊

(大連工業大學紡織與材料工程學院,遼寧 大連 116034)

與純紡織物相比,混紡織物能夠充分利用不同纖維的優點,起到優勢互補的作用。混紡比是混紡織物檢測的一項重要指標[1]。隨著紡織科技的快速發展,混紡織物的品種越來越豐富,在滿足人們物質文化生活需求的同時也對混紡比檢測技術提出了更高的要求。傳統的混紡比檢測方法主要有化學溶解法[2]和人工肉眼識別法[3]。化學溶解法利用纖維的溶解性差異,選擇合適的化學試劑溶解織物中的某種組分,通過織物溶解前后的質量差計算混紡比。但由于涉及化學藥品的使用,化學溶解法有一定的環境污染風險,有些試劑如二甲基甲酰胺[4]有毒,危害人體健康。人工肉眼識別法是將混紡織物拆解成纖維,在顯微鏡下觀察,人工識別纖維類型并計數根數從而計算混紡比,肉眼識別法對檢測人員要求高,測試費時費力。由此可見,尋求綠色安全的新技術代替傳統檢測技術具有重要的現實意義。

近年來,研究人員開發了一系列利用生物、光譜學、數學、計算機等技術對混紡織物進行混紡比檢測的新技術[5],具有出準確率高、穩定性高、應用范圍廣等特點,在混紡織物混紡比檢測領域表現出巨大潛力,在紡織品檢測行業中受到了密切關注。

綜述分子生物技術、光譜技術和計算機視覺技術在混紡織物混紡比檢測領域的最新發展,介紹上述技術在羊毛/羊絨類、棉/麻類織物混紡比檢測方面的研究進展,為混紡比檢測技術的研究和實際應用提供參考。

1 混紡織物混紡比檢測前沿技術研究進展

1.1 分子生物技術

隨著生命科學的發展,人們嘗試將分子生物技術應用于混紡織物混紡比檢測,根據纖維生物分子特征差異來檢測特定纖維的量,從而計算出不同纖維的含量比例[6]。根據其在混紡比檢測應用中的分子類型,主要分為脫氧核糖核酸技術和蛋白質生物質譜分析技術。分子生物技術只適用于纖維中含有生物分子的情況,有機天然纖維均滿足此條件,普通化學纖維不適用,但如果化學纖維在制造過程中添加了蛋白質或其他生物分子,則同樣可以使用分子生物技術進行檢測。

1.1.1 DNA技術

脫氧核糖核酸(DNA)技術根據不同類型纖維含有的特定DNA 序列進行識別和定量分析[7]。為了增加DNA 含量,提高識別精度,一般需要引入熒光聚合酶鏈式反應(PCR)技術,使用特定的DNA 引物或探針對目標DNA 片段進行體外擴增,提高檢測的敏感性。費靜等[8]針對羊絨、牦牛絨的線粒體基因序列,挑選了12sr RNA 基因區域,設計6 個引物和探針,通過實時熒光PCR 技術,利用熒光信號監控DNA 擴增,建立了山羊絨、牦牛絨含量與其DNA 含量之間的關系,且該方法的重復性和再現性為3.4%和4.8%,能夠實現定量檢測。

1.1.2 蛋白質生物質譜分析技術

作為纖維的主要組成部分,角蛋白可以被特定蛋白質標記物標記,由基質輔助激光解吸/飛行時間質譜分析技術(MALDI-TOF-MS)[9]分析樣本中蛋白質的組成,從而實現混紡比的檢測。這種方法具有高靈敏度和高準確性。費靜等[10]將羊毛/羊絨混合物提取并純化的蛋白質進一步酶解,結合MALDI-TOF-MS生物質譜分析技術分析多肽,得到羊毛含量與羊毛、山羊絨的質譜特征峰m/z2664、2691峰強度比值之間的關系,構建了羊絨、羊毛定量標準曲線,可用于羊毛/羊絨織物混紡比檢測,靈敏度在5%左右。相較于DNA技術,蛋白質分析技術具有很高的特異性。不過,從混紡樣本中提取蛋白質步驟繁瑣,需要經過粉碎、溶解和純化等處理,容易產生誤差,導致準確率降低。

1.2 光譜技術

與分子生物技術相比,光譜技術適用面更廣,是混紡比檢測領域的一大進展。其基于不同纖維材料在不同波長下的吸收、散射或發射光譜特性來進行區分和定量分析,通過光譜成像儀器采集纖維光譜數據,利用光譜圖像與纖維含量之間的關系,建立定量模型來確定混紡織物的混紡比。在定量分析過程中,圖譜處理是關鍵,往往由于數據的復雜性,增加了檢測難度?；旒彵葯z測光譜技術主要有近紅外光譜法、傅立葉變換紅外光譜法、變換衰減全反射紅外光譜法等,目前最常使用的是紅外光譜法。沈瓊[11]將采集樣品的近紅外光譜圖和偏最小二乘法[12]結合,建立了棉/氨混紡比定量模型,此模型具有良好的穩定性和重復性。程鑫橋等[13]使用傅里葉變換紅外光譜儀采集羊毛和腈綸纖維粉末在波數4000～400 cm-1的紅外光譜,用偏最小二乘法建立羊毛/腈綸混合物的定量分析數學模型,通過檢驗,誤差在-2.17%～1.70%之間。魏子涵等[14]建立了滌綸/棉、滌綸/羊毛、滌綸/錦綸、蠶絲/棉和滌綸/黏膠等純紡及混紡織物的傅里葉變換衰減全反射紅外光譜庫,能用于檢測相應混紡織物的混紡比。與傅立葉變換紅外光譜法相比,變換衰減全反射紅外光譜法具有不需要對樣品進行額外處理的優點,但僅適用于織物表面成分分析,對于織物纖維組成表里有差異的織物并不適用。

1.3 計算機視覺技術

隨著計算機技術的發展,計算機視覺技術在混紡織物混紡比檢測方面體現出了巨大的潛在優勢。將混紡織物拆解成纖維后拍攝顯微圖像,通過計算機視覺技術對顯微圖像進行處理,識別出纖維類型并計數其數量,從而計算出織物的混紡比例。與分子生物技術和光譜技術相比,具有設備簡單、操作要求低等優點。計算機視覺技術對纖維圖像分析和特征提取所用的技術方法主要有機器學習和深度學習。

1.3.1 機器學習

機器學習通過人為設計和選擇特征來表示數據,運用不同方法搭建檢測系統對纖維圖像數據進行學習,將待測試樣的纖維圖像輸入訓練好的檢測系統即可得到混紡比結果。機器學習通常需要專業知識和經驗,難度較大,但在一些小規模數據或特征維度較高的纖維圖像檢測上效果較好。機器學習方法主要有支持向量機[15]、貝葉斯分類、反向傳播(BP)神經網絡等。

支持向量機(SVM)是指在訓練的纖維數據集樣本中,找到一個最佳的分界線來正確區分不同種類的纖維或面料[16]。陶偉森等[17]以羊毛/羊絨混紡織物為研究對象,通過圖像處理獲得纖維直徑、鱗片密度、鱗片面積、相對面積、能量、對比度等12個特征參數。經過以傳統支持向量機(C-SVM)為分類模型,徑向基(RBF)函數為核函數的SVM 訓練,羊毛/羊絨識別正確率為93.1%。支持向量機魯棒性好,支持多類識別,具有優良的泛化能力;但核函數類型的選擇以及數據量過大都會影響支持向量機的性能,進而影響識別分類結果。

貝葉斯分類基于貝葉斯定理,根據設置的先驗概率和由數據訓練統計到每個特征的條件概率來計算后驗概率,選擇后驗概率高的作為預測結果[18]。該方法的局限性在于先驗概率的選擇會影響檢測結果。WEN Y X 等[19]選取羊毛和羊絨的鱗片直徑、高度及其比例構成三維特征向量,用于貝葉斯分類模型進行識別,利用自主研制的圖像采集系統收集并處理1000張羊毛和羊絨圖像,建立了一個識別羊毛和羊絨的專家識別系統;用五重交叉驗證纖維分類,識別準確率分別為93.0%、95.4%。

BP神經網絡[20]作為一種簡單且用于解決分類和回歸問題的神經網絡模型,可以通過反向傳播算法來逐步調整權重,從而最小化預測值與實際值之間的誤差。趙宇濤等[21]將由圖像預處理后的纖維輪廓提取直徑、扭曲度、充滿度特征值,輸入到BP神經網絡中訓練,研發出棉/亞麻自動檢測系統。系統在759個纖維圖像測試集下,識別正確率高達94.4%。BP神經網絡易受試驗樣本影響,在處理復雜數據和大規模問題時,需要使用其他更復雜的神經網絡結構。

1.3.2 深度學習

深度學習技術是將纖維數據集和不同目標檢測算法結合形成模型,通過模型訓練,自動學習樣本中的特征和圖像,以達到精準識別的目的。常用的目標檢測算法分為雙階段目標檢測算法和單階段目標檢測算法,用于檢測圖像中目標物體的位置和類別,適用的纖維范圍較為廣泛,但需要大規模數據量來支持訓練。

以區域卷積神經網絡(R-CNN)系列為代表的雙階段檢測算法基于候選區域目標檢測[22],算法通過網絡生成多個可能包含目標物體的候選框,之后送入一個分類器以檢查候選框內是否存在目標物體并識別出物體的類別,具有檢測精度高的特點。肖登輝等[23]采集了棉、麻纖維圖像3200 張,對建立的Faster R-CNN模型進行訓練,模型評價指標平均精度均值(m AP)達到了0.905。從明芳等[24]采用Mask R-CNN 卷積神經網絡在語義分割的同時實現羊絨、羊毛識別和預測,檢測結果一致性在95%以上,提高了處理效率。

雙階段目標檢測算法框架相對靈活,有較好的泛化能力,但計算量高、復雜,難以處理小目標,不適合實時檢測應用。單階段目標檢測算法[25]基于邊界框的回歸分析,輸入圖像經過層層卷積直接得到目標檢測結果,算法省略了候選區域生成階段,結構更精簡,檢測速度快。秦介垚等[26]在面積測量上,利用透反射結合的方法采集非包埋法纖維橫截面輪廓,建立滑動窗口遍歷計算;在根數識別上,將YOLOv5算法[27]中的普通卷積替換為可形變卷積,開發出混紡織物智能識別模型,該模型在100份任意混紡比織物樣品檢測中偏差結果都處于合理范圍內。

2 前沿技術在混紡比檢測上的應用進展

2.1 羊毛/羊絨類

羊毛和羊絨纖維形態特征和鱗片結構相似,憑借肉眼觀察區分難度較大,兩者的燃燒、溶解特性也相似,傳統方法檢測羊毛/羊絨織物混紡比難度較大,但分子生物技術和計算機視覺技術近年來在此領域取得了較好的進展。在分子生物技術上,李典典[28]使用常規酚-氯仿法結合固相萃取技術提取混合樣中的DNA,結合熒光PCR 法得到混合物中羊毛、羊絨含量和它們線粒體DNA 之間的關系,計算5種不同比例混紡織物樣品的實測平均值均與理論值較接近。在計算機視覺技術方面,劉爽等[29]利用Canny算法、鱗片骨架法和灰度共生矩提取了羊毛、羊絨形態及紋理特征共16個數據,將其傳入到3層BP神經網絡模型中訓練以實現分類識別,在300根纖維測試集的情況下,模型的總體識別率為93.3%。游光明等[30]根據羊絨的鱗片表面光滑度和光澤優于羊毛鱗片的特點也開發了基于計算機視覺技術的羊毛/羊絨混紡產品的定量分析智能軟件,準確率偏差不超過5.0%。

2.2 棉/麻類

棉/麻類混紡織物無法使用化學溶解法檢測混紡比,只能采用人工肉眼識別法,使用神經網絡的深度學習技術可以有效降低顯微鏡觀察法帶來的誤差。劉瀚旗等[31]在棉/麻混紡紗混紡比檢測上對比探究了YOLOv3和Faster R-CNN 2種神經網絡模型,通過在學習率以及數據增強上的改良,YOLOv3 的m AP 達到0.973,檢測準確率和檢測耗時都明顯優于Faster R-CNN。潘全等[32]將深度學習網絡模型Resent-18與Mask RCNN 結合,建立了具有高準確度的麻/棉自動識別與采集分析系統。該系統的控制模塊調動高精度電動平臺自動三軸全覆蓋掃描纖維圖像,符合算法清晰度要求的圖像被傳入訓練后的Resent-18模型中以識別纖維類型,通過Mask RCNN 網絡模型定位圖像中纖維的位置信息,結合輪廓計算纖維面積,混紡比檢測誤差在5%以內。

3 結束語

混紡比檢測能夠測量混紡織物中各組分的纖維含量,是控制織物質量和性能的重要途徑。傳統的混紡織物混紡比檢測技術需要使用化學藥品,檢測時間長,操作要求高,費時費力。隨著科技的發展,一些先進的檢測技術逐漸被應用于混紡織物混紡比檢測領域,表現出綠色環保、智能高效、穩定可靠的特點,引起了檢測行業研究人員的高度關注,具有良好的發展前景。隨著各種前沿技術的持續發展和完善,未來各種技術間將有進一步融合的發展趨勢:(1)前沿技術與傳統技術相融合,充分利用傳統檢測技術在獲取纖維物理特征、化學特性、圖像信息方面的優勢,滿足精細化檢測的需求;(2)不同前沿檢測技術間的融合,多組分混紡織物比較復雜和多樣,僅靠單一的前沿技術會有局限性,將光譜技術、計算機視覺技術相結合,構建多模態檢測系統,使檢測方法更具通用性,將為混紡織物混紡比檢測提供更為全面的解決思路。