紡織品的人工智能檢測技術(shù)

吳靄弟， 何偉堅

（佛山市南海眾悅順提花織造實業(yè)有限公司， 廣東 佛山528223）

關(guān)鍵字： 紡織品； 人工智能； 檢測技術(shù)

0 前言

人工智能 (Artificial Intelligence， AI) 正成為推動人類進(jìn)入智能時代的決定性力量。 全球產(chǎn)業(yè)界充分認(rèn)識到人工智能技術(shù)引領(lǐng)新一輪產(chǎn)業(yè)變革的重大意義， 紛紛轉(zhuǎn)型發(fā)展， 搶灘布局人工智能創(chuàng)新生態(tài)。 世界主要發(fā)達(dá)國家均把發(fā)展人工智能作為提升國家競爭力、 維護(hù)國家安全的重大戰(zhàn)略， 力圖在國際科技競爭中掌握主導(dǎo)權(quán)[1]。

人工神經(jīng)網(wǎng)絡(luò)(Artificial， ANN) 是模擬人腦結(jié)構(gòu)和激勵行為的并行非線性系統(tǒng)， 是人工智能的實現(xiàn)手段及方式之一， 具有自學(xué)習(xí)、 自組織和自適應(yīng)、 知識的分布存儲廣、 容錯性高等功能和特點(diǎn)， 在復(fù)雜系統(tǒng)的建模問題上表現(xiàn)出優(yōu)越性， 近年來在紡織工業(yè)中也越來越得到重視[2]。

1 人工智能發(fā)展概述

2016 年， 人工智能AlphaGo 戰(zhàn)勝人類職業(yè)圍棋高手， 引發(fā)全世界對人工智能的關(guān)注。 隨后Master 以AlphaGo 的不同身份先后戰(zhàn)勝60 多位世界頂級圍棋選手， 通過了圍棋對弈的圖靈測試， 進(jìn)一步向世人展示了人工智能的進(jìn)展和成就[3]。

人工智能概念的誕生至今已超過60 年。2012 年以后， 深度卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeural Network， CNN) 技術(shù)在圖像識別領(lǐng)域開始應(yīng)用， 隨著計算機(jī)圖形技術(shù)、 大數(shù)據(jù)、 云計算、 互聯(lián)網(wǎng)、 物聯(lián)網(wǎng)等信息技術(shù)的發(fā)展， 推動了人工智能飛速發(fā)展， 廣泛應(yīng)用于圖像分類、語音識別、 互聯(lián)網(wǎng)信息搜索， 無人駕駛等領(lǐng)域，迎來爆發(fā)式增長的新高潮， 逐步進(jìn)入產(chǎn)業(yè)化應(yīng)用初期[4-5]。 算法是實現(xiàn)人工智能的核心， 現(xiàn)階段研究熱點(diǎn)也正在轉(zhuǎn)向基于感知智能模型的物體精準(zhǔn)定位和分割能力； 大數(shù)據(jù)更是構(gòu)建人工智能戰(zhàn)略性競爭優(yōu)勢的關(guān)鍵[6]。

人工神經(jīng)網(wǎng)絡(luò) (Artificial Neural Network(ANN)) 是20 世紀(jì)80 年代以來人工智能領(lǐng)域興起的研究熱點(diǎn)， 簡稱為神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)可以定義為： 由人工建立的以有向圖為拓?fù)浣Y(jié)構(gòu)的動態(tài)系統(tǒng)， 它通過對連續(xù)或斷續(xù)的輸入作狀態(tài)響應(yīng)而進(jìn)行信息處理[5]。

2 人工智能檢測在紡織領(lǐng)域的應(yīng)用

人工智能在紡織領(lǐng)域中的應(yīng)用出現(xiàn)在20 世紀(jì)90 年代后， 大都采用了神經(jīng)網(wǎng)絡(luò)技術(shù)， 主要集中在纖維增強(qiáng)復(fù)合材料性能預(yù)測、 生產(chǎn)工藝優(yōu)化和紡織機(jī)械的自動控制、 紗線及面料的力學(xué)性能預(yù)測， 服用性能預(yù)測 （透氣性）； 織物表觀性能 （起毛起球） 以及色差評級； 也可應(yīng)用在絡(luò)筒、 染色等在線生產(chǎn)質(zhì)量監(jiān)控以及服裝設(shè)計的試衣系統(tǒng)等[7-17]。

人工智能經(jīng)常使用的神經(jīng)網(wǎng)絡(luò)形式是BP 神經(jīng)網(wǎng)絡(luò)(Error Back Propagation， 誤差反向傳播)，它是前向網(wǎng)絡(luò)的核心部分， 主要特征是中間層能對輸出層反傳過來的誤差進(jìn)行學(xué)習(xí)。 BP 算法包括2 個過程， 將實際輸出值和期望值進(jìn)行比較， 得到誤差信號， 再根據(jù)誤差信號從后(輸出層) 向前(輸入層) 逐層反傳。 BP 神經(jīng)網(wǎng)絡(luò)的優(yōu)勢在于整體系統(tǒng)可以調(diào)節(jié)各神經(jīng)層神經(jīng)元之間的連接權(quán)重， 直至誤差減至滿足要求為止。 這種算法不能保證訓(xùn)練期間實現(xiàn)全局誤差最小，但可以實現(xiàn)局部誤差最小， 從而確保局部智能微調(diào)精度。

在紡織工業(yè)生產(chǎn)中使用人工智能技術(shù)可以大大提高生產(chǎn)效率和產(chǎn)品的質(zhì)量合格率， 而且隨著計算機(jī)處理速度和能力的不斷提升、 算法的不斷改進(jìn)， 人工智能會極大地降低工人的生產(chǎn)強(qiáng)度、 提高生產(chǎn)技術(shù)精度， 使人類將更多時間和精力投放到研發(fā)或者其他附加值更大的工作中。

在目前的應(yīng)用階段， 人工智能技術(shù)及其系統(tǒng)還存在很多缺點(diǎn)及不完善。 比如識別織物紋理、 布匹疵點(diǎn)檢測等技術(shù)， 需要有針對性地提取織物結(jié)構(gòu)或形態(tài)特征， 使得標(biāo)準(zhǔn)樣本量十分巨大， 致使計算機(jī)的存儲空間要求較高， 而且算法比較復(fù)雜， 影響了人工智能的執(zhí)行速度和效率。 再如對生產(chǎn)工藝參數(shù)控制， 是一個龐大而且復(fù)雜的智能系統(tǒng)， 對于計算機(jī)的軟、 硬件和數(shù)據(jù)傳輸都有較高的要求， 系統(tǒng)的算法也會隨著產(chǎn)品工藝的不同而調(diào)整， 目前還沒有理想的解決方案， 這些都是需要進(jìn)一步研究和深化的。

3 紡織檢測中的人工智能應(yīng)用實例

從理論上來講， 紡織產(chǎn)業(yè)的各個領(lǐng)域都可實現(xiàn)完全的人工智能化， 包括檢測。 但是由于技術(shù)、 成本的限制， 目前在紡織檢測只有少數(shù)相對成熟的應(yīng)用技術(shù)。 本文引用驗布機(jī)和纖維定性兩個常見的應(yīng)用實例。

3．1 驗布機(jī)

瑞士烏斯特 (Uster Technologies) 公司于2018 年并購了以色列自動視覺檢測供應(yīng)商Elbit Vision Systems (EVS) 后推出一系列自動化面料檢測設(shè)備： USTEREVS Q-BAR (織物質(zhì)量監(jiān)控系統(tǒng))、 USTEREVS FABRIQ VISION (織物質(zhì)量保證系統(tǒng)) 和 USTEREVS FABRIQ SHADE (織物色差優(yōu)化系統(tǒng))[18]。 烏斯特主要生產(chǎn)機(jī)下驗布系統(tǒng)。

英國的Shelton MachinesLtd 推出WebSPECTOR， 德國的Erhardt&Leimer 推出ELSIS inspector和PROTECHNA， Herbst 推 出PROCAM 5310，比利時的BMS bvba 推出的Vision’s Cyclops 等機(jī)上或機(jī)下驗布機(jī)。 盡管這些供應(yīng)商都宣稱自己的產(chǎn)品通用性強(qiáng)、 穩(wěn)健， 但經(jīng)過數(shù)十家具規(guī)模的織布廠使用后證明它們至少存在以下問題中的一項： 位置分辨力低， 時間和距離響應(yīng)延遲，頻繁的錯警， 面料種類限制， 算法不嚴(yán)密， 數(shù)據(jù)可靠性低和價格高昂[19]， 從而導(dǎo)致市場反應(yīng)不佳。

機(jī)上智能驗布(on-loom fabric inspection) 技術(shù)難度大于機(jī)下驗布， 主要存在以下幾個原因：（1） 是在織布機(jī)上完成織造、 驗布2 個工序，是連續(xù)不間斷的； （2） 是當(dāng)疵點(diǎn)嚴(yán)重時將隨時暫停生產(chǎn)， 織造工藝與檢驗結(jié)果互為影響；（3） 是圖像處理、 疵點(diǎn)判斷分析的算法比較復(fù)雜， 對精確性、 可靠性和實時性有更高的要求；（4） 是整個系統(tǒng)的數(shù)據(jù)既相互獨(dú)立又相互關(guān)聯(lián)；（5） 是攝像機(jī)、 光源及計算機(jī)硬件配置、 響應(yīng)速度明顯高于機(jī)下驗布。 圖1 是機(jī)上智能驗布系統(tǒng)工作原理圖。

圖1 機(jī)上驗布系統(tǒng)工作原理

機(jī)上驗布系統(tǒng)一般具備3 套數(shù)據(jù)處理系統(tǒng)：（1） 標(biāo)準(zhǔn)疵點(diǎn)特征值計算和ANN 監(jiān)督學(xué)習(xí)；（2） 樣本特征值和ANN 計算； （3） 基于統(tǒng)計的織機(jī)自停系統(tǒng)。 為達(dá)到良好的檢驗效果， 巨量的布料疵點(diǎn)和種類數(shù)據(jù)庫是基本配置， 為此疵點(diǎn)標(biāo)準(zhǔn)樣本可達(dá)數(shù)百萬張圖像甚至更多。 圖1中虛框內(nèi)即為學(xué)習(xí)訓(xùn)練系統(tǒng)。 為了使驗布機(jī)具有多種面料的適用性， 數(shù)據(jù)庫還應(yīng)包括不同紋理結(jié)構(gòu)、 顏色深淺面料的疵點(diǎn)類型。

我國的寶雞長嶺紡電、 無錫精致視覺、 深圳靈圖慧視、 常州安視和西安獲德等本土企業(yè)近幾年開始了產(chǎn)業(yè)化生產(chǎn)， 同時擁有了自主知識產(chǎn)權(quán)的圖像處理、 算法系統(tǒng)， 但關(guān)鍵硬件如工業(yè)攝像機(jī)、 鏡頭、 自動打標(biāo)器等部件均需要從歐美發(fā)達(dá)國家進(jìn)口。 從公開的文獻(xiàn)來看， 我國生產(chǎn)的驗布機(jī)都是機(jī)下系統(tǒng)。

3．2 纖維種類鑒別

顯微鏡觀察是纖維種類鑒別的一個常用方法， 用以區(qū)別縱橫向特征有差異的纖維。 這部分工作現(xiàn)階段單純靠人眼工作， 遇到外部結(jié)構(gòu)相似的合成纖維或某些動物纖維時顯微鏡法難以勝任； 并且人眼容易疲勞， 不能連續(xù)長時間工作， 否則出現(xiàn)錯誤的概率加大。 目前人工智能技術(shù)用于鑒別纖維種類還處于初步的應(yīng)用階段。

有兩種模型用于鑒別美利奴羊毛和馬海毛纖維： 第一種模型用監(jiān)督學(xué)習(xí)(supervised learning) 的方式， 即先對大量樣品照片進(jìn)行圖像處理， 提取出每個鱗片的形態(tài)特征向量值， 然后讓系統(tǒng)學(xué)習(xí)； 另一模型是通過建立纖維鱗片形態(tài)特征模型， 并通過無監(jiān)督學(xué)習(xí)(unsupervised learning) 初始的未處理樣品照片， 自動提取鱗片特征結(jié)構(gòu)和形態(tài)[20]。 系統(tǒng)輸出的變量有2 個，分別為： 是否美利奴羊毛， 是否馬海毛； 由這2個輸出量將樣本分為2 類： 美利奴羊毛、 馬海毛。

用非監(jiān)督神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和主要成分分析提取輸入變量的特征值， 并將樣本鱗片的特征值與輸出值代入感知器進(jìn)行有監(jiān)督訓(xùn)練； 計算結(jié)果收斂后結(jié)束訓(xùn)練， 最后利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對樣本進(jìn)行分類， 投入具體檢測工作。

4 總結(jié)與前瞻

應(yīng)用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)， 在計算機(jī)和網(wǎng)絡(luò)技術(shù)的輔助下可以對樣本迅速進(jìn)行判別， 明顯提高生產(chǎn)效率和檢測結(jié)果的客觀性和準(zhǔn)確性，結(jié)果不容易受到環(huán)境影響； 而且人工神經(jīng)網(wǎng)絡(luò)比較適合紡織檢測中多因子的非線性分類問題?？梢灶A(yù)計， 人工智能將會在分析羽絨羽毛種類鑒別、 織物色牢度、 起毛起球評級， 纖維鑒別以及生產(chǎn)工藝控制等方面有廣闊的應(yīng)用前景[1]。

人工智能技術(shù)在紡織中的應(yīng)用還處于起步階段， 許多研究及應(yīng)用還有待深化， 如紡織企業(yè)的質(zhì)量控制、 紡織企業(yè)計算機(jī)集成制造技術(shù)的實現(xiàn)等方面還有很大的應(yīng)用潛力。 隨著人工智能技術(shù)的日趨成熟、 計算機(jī)和互聯(lián)網(wǎng)數(shù)據(jù)存取、 傳輸速度及易用性的提高， 人工智能分析技術(shù)將越來越成為紡織技術(shù)人員解決各領(lǐng)域相關(guān)問題的有利武器。 此外， 人工智能的廣泛應(yīng)用對我國紡織工業(yè)的產(chǎn)業(yè)升級、 技術(shù)創(chuàng)新能力、產(chǎn)品研發(fā)制造的智能化程度和增強(qiáng)我國紡織品的國際競爭力都具有重要的現(xiàn)實意義[21]。