基于深度學(xué)習(xí)算法的織物風(fēng)格評價(jià)模型與纖維力學(xué)性能分析

申粉粉

（上海工程技術(shù)大學(xué) 機(jī)械與汽車工程學(xué)院，上海 201620）

0 引言

隨著人類生活水平的不斷提高，紡織業(yè)也得到了前所未有的發(fā)展。新的紡織產(chǎn)品正在逐步出現(xiàn)并得到廣泛應(yīng)用［1］。自20 世紀(jì)50 年代中期以來，美國率先開發(fā)出異形纖維，并生產(chǎn)出三角形截面纖維。之后，德國開發(fā)出了五角形橫截面纖維。20 世紀(jì)60年代初，美國開發(fā)出具有優(yōu)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(chǎn)品［2］。相比之下，中國異形纖維的開發(fā)和生產(chǎn)起步較晚，隨著紡織技術(shù)的發(fā)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(fā)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(xué)成分，但由于異形纖維的截面形狀不規(guī)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(fā)達(dá)國家相比，中國纖維紡織品的檢測技術(shù)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(zhǔn)確地對異形纖維進(jìn)行識別和分類，是中國進(jìn)出口檢驗(yàn)過程中的一項(xiàng)重要任務(wù)［4］。目前，在新材料、新工藝不斷創(chuàng)新的情況下，，在激烈的市場競爭和生產(chǎn)資料更新?lián)Q代的壓力下，如果企業(yè)控制影響生產(chǎn)質(zhì)量的重要工序，能明確產(chǎn)品質(zhì)量的評價(jià)標(biāo)準(zhǔn)，提前修改生產(chǎn)工藝參數(shù)，就能保證紡織品的質(zhì)量［5］。

隨著圖像處理和深度學(xué)習(xí)技術(shù)的發(fā)展，一些學(xué)者通過輪廓碼對韌皮纖維和葉纖維進(jìn)行分類識別，提出了異形纖維的識別算法，并通過數(shù)字圖像的特征提取來檢測紡織纖維［6］?？紤]到變形后的纖維對識別結(jié)果影響很大，基于纖維圖像處理，訓(xùn)練了一種基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)（CNN）來識別變形纖維。此外，還利用傳統(tǒng)的反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN），模擬原纖維質(zhì)量與紡織品質(zhì)量之間的相關(guān)性，從而構(gòu)建了紡織品質(zhì)量預(yù)測模型。希望通過對針織復(fù)合材料力學(xué)性能的分析，為針織復(fù)合材料的應(yīng)用提供依據(jù)。

1 方法

1.1 異形纖維的圖像處理

在數(shù)字圖像處理和分析中，圖像的預(yù)處理是圖像分割、特征提取和分類識別的基礎(chǔ)。在采集異形纖維橫截面顯微圖像時(shí)，由于設(shè)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(zhì)量。圖像預(yù)處理通過灰度化、去噪、邊緣檢測和增強(qiáng)等步驟消除圖像中的噪聲和無關(guān)信息，從而增強(qiáng)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(xué)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(guān)鍵信息。通過對圖像進(jìn)行灰度化處理，簡化了計(jì)算過程，提高了計(jì)算速度。彩色圖像數(shù)據(jù)包含紅綠藍(lán)（RGB）值。對于灰度化，這3 個(gè)分量應(yīng)使用不同的權(quán)重進(jìn)行加權(quán)和平均。依據(jù)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(guān)技術(shù)消除噪聲，實(shí)現(xiàn)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(yīng)的去噪方法有空域去噪和頻域去噪兩種傳統(tǒng)方法?？沼蛉ピ敕椒òㄖ兄禐V波和均值濾波，即對原始圖像進(jìn)行卷積處理，以達(dá)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(zhuǎn)換到頻域；經(jīng)過適當(dāng)?shù)臑V波和去噪處理后，將圖像轉(zhuǎn)換到空域，得到最終的去噪圖像［9］。近年來，在傳統(tǒng)去噪技術(shù)的基礎(chǔ)上發(fā)展了一種基于小波理論的去噪方法。通過設(shè)置適當(dāng)?shù)拈撝担ㄔ肼暎?，移除小于閾值的系?shù)，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(nèi)部和背景的灰度值差異不大外，還需要確定一個(gè)合理的閾值來最大化前景和背景類別之間的方差；同時(shí)，可以通過最大類間方差法，對閾值進(jìn)行優(yōu)化［10］。由于橫截面顯微圖像中纖維數(shù)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(biāo)的輪廓信息。分割目標(biāo)的邊緣信息應(yīng)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(jīng)網(wǎng)絡(luò)的分類與識別

深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)發(fā)展過程中形成的一門新興學(xué)科，主要負(fù)責(zé)數(shù)據(jù)的表征學(xué)習(xí)。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(xué)習(xí)通過建立一個(gè)學(xué)習(xí)模型來適應(yīng)復(fù)雜的功能，該模型從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)某些類型數(shù)據(jù)的特征。CNN 是深度學(xué)習(xí)領(lǐng)域使用最廣泛的網(wǎng)絡(luò)框架。網(wǎng)絡(luò)結(jié)構(gòu)越深，結(jié)構(gòu)就越復(fù)雜。神經(jīng)網(wǎng)絡(luò)由許多相互連接的節(jié)點(diǎn)組成；信號的傳輸有一個(gè)加權(quán)值，每個(gè)節(jié)點(diǎn)都有一個(gè)特定的激活函數(shù)。加權(quán)和偏置后，神經(jīng)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(quán)重。如果有n個(gè)輸入，θ ＝（θ0，θ1，...，θn）T，x ＝（x0，x1，...，xn）T，則θ0＝1。通過激活函數(shù)的輸出y表示為：

深度神經(jīng)網(wǎng)絡(luò)（DNN）的結(jié)構(gòu)如圖1 所示。輸入層連接到多個(gè)節(jié)點(diǎn)，結(jié)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(xué)習(xí)是一種有監(jiān)督學(xué)習(xí)，本質(zhì)上是學(xué)習(xí)多個(gè)輸入輸出之間的映射關(guān)系。其循環(huán)訓(xùn)練的目的是不斷減少損失函數(shù)，直到收斂；網(wǎng)絡(luò)中的層數(shù)將根據(jù)具體情況而定［11］。

圖1 DNN 結(jié)構(gòu)Fig.1 DNN structure

DNN 包括前向傳播和后向傳播兩個(gè)階段。在前向傳播階段，首先對所有參數(shù)進(jìn)行初始化后，根據(jù)輸入計(jì)算出每一層的輸出。最后，對網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，對預(yù)測樣本進(jìn)行分類。網(wǎng)絡(luò)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(quán)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(shù)，并且分別表示第L層的加權(quán)輸出和激活輸出。

在反向傳播階段，可以根據(jù)實(shí)際輸出，計(jì)算損耗函數(shù)J（w，b）：

各參數(shù)的梯度值表示為：

其中：m表示樣本數(shù)量，dA［L］可由損失函數(shù)直接計(jì)算；dZ［L］為損失函數(shù)的梯度；dW為損失函數(shù)對權(quán)重的偏導(dǎo)數(shù)；db為損失函數(shù)對偏差的偏導(dǎo)數(shù)。

由于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包含大量的節(jié)點(diǎn)，細(xì)胞神經(jīng)網(wǎng)絡(luò)通過卷積核引入卷積計(jì)算，從而實(shí)現(xiàn)參數(shù)共享，減少參數(shù)個(gè)數(shù)，縮短了模型訓(xùn)練時(shí)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(jìn)行處理，類似于濾波過程。匯集的目的是減小具有許多參數(shù)的圖像空間大小，從而減少進(jìn)入完全連接層的參數(shù)數(shù)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(qū)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(xué)習(xí)到的要素映射到標(biāo)簽空間。通常在分類輸出層之前有1－3 個(gè)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(xué)習(xí)模型之一，CNN 比傳統(tǒng)的淺層神經(jīng)網(wǎng)絡(luò)更適合圖像特征提取。通過將灰度圖像直接輸入網(wǎng)絡(luò)，大大簡化了預(yù)處理過程。CNN 還逐步對底層特征進(jìn)行抽象和組合，形成高層特征，優(yōu)化分類識別效果。在異形纖維識別過程中，CNN 和傳統(tǒng)淺層神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)的紡織品質(zhì)量預(yù)測模型

生產(chǎn)和加工技術(shù)是決定成品紡織品質(zhì)量的核心，而原棉纖維的質(zhì)量是保證紡織品質(zhì)量的基礎(chǔ)。考慮到大型紡織品的生產(chǎn)參數(shù)對成品質(zhì)量的影響受人為因素的控制，在假設(shè)生產(chǎn)參數(shù)不變的情況下，探討原棉質(zhì)量參數(shù)對織物質(zhì)量的影響［12］。在構(gòu)建基于神經(jīng)網(wǎng)絡(luò)的紡織品質(zhì)量預(yù)測模型時(shí)，首先對原纖維質(zhì)量指標(biāo)進(jìn)行處理，將這些數(shù)據(jù)作為輸入，將紡織品質(zhì)量作為輸出。選取的質(zhì)量指標(biāo)包括原棉長度和纖維成熟度；紡織品質(zhì)量指標(biāo)包括紗線強(qiáng)力。根據(jù)特定的算法建立神經(jīng)網(wǎng)絡(luò)模型后，利用大部分實(shí)際數(shù)據(jù)作為訓(xùn)練樣本對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，剩余的樣本用來評估訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)。最后，基于新質(zhì)量指標(biāo)對紡織品的質(zhì)量進(jìn)行了預(yù)測。

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

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

纖維長度越長，紗線的強(qiáng)力越高，見表1。如果纖維較短，增加纖維長度會增加紗線強(qiáng)力；如果纖維足夠長，紗線強(qiáng)度會因纖維長度的增加而顯著降低。紡織品質(zhì)量指標(biāo)包括：紗線強(qiáng)力（Y1）和棉結(jié)總數(shù)（Y2），作為輸出。在所有數(shù)據(jù)中，25 組作為訓(xùn)練樣本，其余5 組作為測試樣本。訓(xùn)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(jīng)網(wǎng)絡(luò)的紡織品質(zhì)量預(yù)測模型包括輸入層、隱含層和輸出層。利用重復(fù)糾錯(cuò)功能，網(wǎng)絡(luò)對輸入響應(yīng)的準(zhǔn)確性也得到了提高［14］。但是，考慮到該BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間長、易陷入局部極小值等局限性，將其與粒子群算法相結(jié)合。利用粒子群算法的實(shí)數(shù)解和易于實(shí)現(xiàn)等優(yōu)點(diǎn)，使質(zhì)量預(yù)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(jì)算機(jī)科學(xué)的發(fā)展，基于粒子群算法的思維進(jìn)化算法（MEA）從1998 年開始被提出并應(yīng)用。MEA 的特點(diǎn)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(nèi)收斂和全局實(shí)施異化操作，這兩種方法的協(xié)作將提高搜索效率［15］。當(dāng)MEA 算法滿足迭代終止條件，將輸出最優(yōu)個(gè)體。然后，生成BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值。最后，利用訓(xùn)練樣本對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 試驗(yàn)數(shù)據(jù)選取

為探討DNN 在異形纖維分類識別中的性能，選取北京進(jìn)出口檢驗(yàn)檢疫部門提供的纖維截面顯微圖像作為數(shù)據(jù)樣本。經(jīng)過數(shù)據(jù)集創(chuàng)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(gè)類別，選擇4 000 個(gè)樣本作為訓(xùn)練樣本、1 000個(gè)樣本為測試樣本。為了評估所設(shè)計(jì)的DNN模型的分類性能，根據(jù)文本識別方法對6 類異形纖維數(shù)據(jù)進(jìn)行了測試。

2.2 異形纖維的分類識別結(jié)果

利用深度學(xué)習(xí)領(lǐng)域中的CNN 模型識別成形纖維，結(jié)果如圖6 所示。顯然，所提出的網(wǎng)絡(luò)在識別大多數(shù)形狀的纖維方面表現(xiàn)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(zhǔn)確率都在98%以上，而對縫隙纖維和W 形纖維的識別準(zhǔn)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(jié)果Fig.6 Classification and recognition results of profiled fiber

在此基礎(chǔ)上，維持了包含兩層卷積的七層網(wǎng)絡(luò)結(jié)構(gòu)，分析了不同卷積核大小對異形纖維分類結(jié)果的影響。構(gòu)造了3 種不同的卷積結(jié)構(gòu)：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(wǎng)絡(luò)結(jié)構(gòu)對異形纖維的分類識別結(jié)果見表2。

表2 不同卷積結(jié)構(gòu)對異形纖維的識別結(jié)果Tab.2 Recognition results of different convolution structures for profiled fibers

由此可見，在神經(jīng)網(wǎng)絡(luò)卷積核較少的情況下，相應(yīng)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(shù)量逐漸增加，識別率也隨之提高。但是，當(dāng)卷積核增加到一定數(shù)量時(shí)，可能會出現(xiàn)特征提取的冗余，此時(shí)識別準(zhǔn)確率不再提高。

2.3 預(yù)測的結(jié)果

對于基于神經(jīng)網(wǎng)絡(luò)的紡織品質(zhì)量預(yù)測模型的性能分析，比較了傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)模型、PSOBPNN 模型和基于MEA 的BP 神經(jīng)網(wǎng)絡(luò)模型的預(yù)測性能。在此，對12 個(gè)紡織品樣品的質(zhì)量進(jìn)行了預(yù)測。3 種模型的質(zhì)量預(yù)測結(jié)果如圖7～10 所示。

圖7 樣品1～6 的紗線強(qiáng)度預(yù)測結(jié)果Fig.7 Yarn strength prediction results of samples 1 to 6

圖8 樣品7～12 的紗線強(qiáng)度預(yù)測結(jié)果Fig.8 Yarn strength prediction results of samples 7－12

圖9 樣本1～6 中總棉結(jié)的預(yù)測結(jié)果Fig.9 Prediction results of total neps in samples 1～6

圖10 樣本7～12 中總棉結(jié)的預(yù)測結(jié)果Fig.10 Prediction results of total neps in samples7～12

紗線強(qiáng)力（Y1）的預(yù)測結(jié)果表明，與傳統(tǒng)的BPNN 模型相比，PSO－BPNN 模型的預(yù)測值與實(shí)際值吻合較好，PSO－BPNN 的預(yù)測精度高于基于MEA的BPNN。對總棉結(jié)（Y2）的預(yù)測結(jié)果表明，除了樣本5 和樣本8 外，傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)也表現(xiàn)出了較好的預(yù)測效果。但相比較而言，PSO－BPNN 模型的預(yù)測性能更穩(wěn)定，預(yù)測值與實(shí)際值相差較?。怀龢颖? 外，基于MEA 的BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測誤差較大，但對棉結(jié)總數(shù)的預(yù)測性能穩(wěn)定。

3 結(jié)束語

隨著紡織新工藝和紡織纖維材料的不斷創(chuàng)新和發(fā)展，紡織行業(yè)對纖維種類和含量的檢測提出了更高的要求。機(jī)器學(xué)習(xí)作為一種從標(biāo)注數(shù)據(jù)中學(xué)習(xí)數(shù)據(jù)內(nèi)在規(guī)律和特征的技術(shù)，在纖維識別領(lǐng)域得到了廣泛的應(yīng)用。特別是在異形纖維的檢測中，機(jī)器學(xué)習(xí)在準(zhǔn)確率和效率上體現(xiàn)了其優(yōu)勢。但是，由于淺層機(jī)器學(xué)習(xí)模型仍然需要人工操作來提取樣本的特征，所以這個(gè)過程是冗余和繁瑣的。相比之下，深度學(xué)習(xí)可以通過大規(guī)模數(shù)據(jù)訓(xùn)練來學(xué)習(xí)數(shù)據(jù)的本質(zhì)特征，顯著提高了識別準(zhǔn)確率。因此，本文利用深度學(xué)習(xí)模型之一的細(xì)胞神經(jīng)網(wǎng)絡(luò)（CNN）構(gòu)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(wǎng)絡(luò)中，大大簡化了圖像的預(yù)處理過程。CNN 還逐步對底層特征進(jìn)行抽象和組合，形成高層特征，優(yōu)化分類識別效果。此外，利用傳統(tǒng)的BP 神經(jīng)網(wǎng)絡(luò)來模擬原纖維質(zhì)量與紡織品質(zhì)量之間的相關(guān)性，從而構(gòu)建了紡織品質(zhì)量預(yù)測模型。實(shí)驗(yàn)表明，該網(wǎng)絡(luò)對大多數(shù)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(zhǔn)確率都在98%以上，而對縫隙纖維和W 形纖維的識別準(zhǔn)確率較低，不到80%。希望通過對針織復(fù)合材料力學(xué)性能的分析，為針織復(fù)合材料的應(yīng)用提供依據(jù)。

然而，由于主觀和客觀的限制，不同網(wǎng)絡(luò)結(jié)構(gòu)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(wǎng)絡(luò)結(jié)構(gòu)的具體應(yīng)用效果進(jìn)行分析，以進(jìn)一步提高異形纖維的識別準(zhǔn)確率。