基于時(shí)頻特征學(xué)習(xí)的分步式紗疵檢測(cè)方法

孫 通， 楊 蕓， 楊 耀， 鮑勁松

(東華大學(xué) 機(jī)械工程學(xué)院， 上海 201620)

紗線的品質(zhì)會(huì)影響紡織品的生產(chǎn)和銷(xiāo)售等一系列流程。在紗線的生產(chǎn)過(guò)程中，原材料、紡紗機(jī)械以及生產(chǎn)環(huán)境等多種影響因素會(huì)造成紗線的直徑突變[1]，形成棉結(jié)、粗節(jié)和細(xì)節(jié)等紗疵[2]，這將直接影響紗線質(zhì)量評(píng)級(jí)和后期織造工序中的織物質(zhì)量。因此，進(jìn)一步提升紗疵檢測(cè)技術(shù)是至關(guān)重要的。

目前，針對(duì)紗疵檢測(cè)的常用方式有基于視覺(jué)的傳感方式[3-4]和基于電信號(hào)的傳感方式[5-6]?；谝曈X(jué)的傳感方式受檢測(cè)設(shè)備硬件配置的限制，難以適應(yīng)紗線高速運(yùn)動(dòng)下的動(dòng)態(tài)特性，無(wú)法實(shí)現(xiàn)紗線疵點(diǎn)的高效率檢測(cè)。而基于電信號(hào)的傳感方式具備較高的靈敏度和良好的動(dòng)態(tài)響應(yīng)能力，受到了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。

近幾年，學(xué)者們大多從傳統(tǒng)特征工程的思路出發(fā)，展開(kāi)對(duì)基于電信號(hào)傳感的紗疵檢測(cè)方法的研究。周?chē)?guó)慶等[7]利用線陣CCD采集紗線的直徑信息，基于斜率閾值算法建立紗疵檢測(cè)模型，實(shí)現(xiàn)紗疵的在線檢測(cè)。盛國(guó)俊等[8]提出基于K階矩濾波和最小熵濾波的紗疵信號(hào)特征識(shí)別方法，采用傳統(tǒng)信號(hào)處理的方式實(shí)現(xiàn)紗疵檢測(cè)。Vitor等[9-10]基于相干光信號(hào)處理開(kāi)發(fā)紗疵評(píng)價(jià)系統(tǒng)，并基于統(tǒng)計(jì)相關(guān)性原理和快速傅里葉變換對(duì)信號(hào)進(jìn)行分析，獲取紗線直徑等參數(shù)，實(shí)現(xiàn)紗疵的檢測(cè)。雖然基于閾值統(tǒng)計(jì)和信號(hào)濾波等傳統(tǒng)特征工程的異常檢測(cè)方法可以實(shí)現(xiàn)紗疵的檢測(cè)，但是這些異常檢測(cè)方法大多依賴(lài)于人工提取特征，而紗線的運(yùn)動(dòng)狀態(tài)為高速運(yùn)動(dòng)，單根紗線的直徑非常小且紗線表面并不光滑，人工提取紗疵信號(hào)特征的方式難度大且效率低，很難滿足實(shí)際的檢測(cè)需求。此外，不同類(lèi)型紗疵對(duì)應(yīng)的特征比較類(lèi)似，基于傳統(tǒng)特征工程的思想難以建立有效的識(shí)別模型來(lái)實(shí)現(xiàn)紗疵的精準(zhǔn)檢測(cè)。

隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)優(yōu)異的自動(dòng)表征學(xué)習(xí)能力使其在圖像分割[11-12]、圖像識(shí)別[13-14]以及目標(biāo)檢測(cè)[15-16]等領(lǐng)域得到廣泛應(yīng)用，尤其在基于一維信號(hào)的異常檢測(cè)領(lǐng)域取得優(yōu)異的效果[17-18]。因此，本文提出一種基于時(shí)頻特征學(xué)習(xí)的紗疵檢測(cè)方法，通過(guò)連續(xù)小波變換(continuous wavelet transform，CWT)對(duì)一維紗線信號(hào)的淺層時(shí)頻特征進(jìn)行提取，利用CNN自動(dòng)表征學(xué)習(xí)能力對(duì)所提取的淺層時(shí)頻特征進(jìn)行深度學(xué)習(xí)，完成淺層時(shí)頻特征提取到深度特征學(xué)習(xí)和識(shí)別的轉(zhuǎn)換。同時(shí)，針對(duì)當(dāng)前基于深度學(xué)習(xí)的異常檢測(cè)方法存在的檢測(cè)準(zhǔn)確率和檢測(cè)效率難以平衡的問(wèn)題，提出先“識(shí)別”后“分類(lèi)”的分步式紗疵檢測(cè)方法，并對(duì)滑動(dòng)檢測(cè)窗口的尺寸進(jìn)行試驗(yàn)選擇，在保證紗疵檢測(cè)準(zhǔn)確率的前提下，提高紗疵的檢測(cè)效率，為紗疵檢測(cè)技術(shù)的發(fā)展與應(yīng)用提供一定的參考價(jià)值。

1 紗疵電信號(hào)采集試驗(yàn)平臺(tái)

1.1 紗疵電信號(hào)獲取原理

圖1 電容式傳感器信號(hào)采集示意圖

1.2 試驗(yàn)平臺(tái)及基本參數(shù)

紗線試驗(yàn)平臺(tái)如圖2所示，試驗(yàn)紗線材質(zhì)為27.8 tex棉紗，由倒線機(jī)牽引做卷繞運(yùn)動(dòng)，卷繞速度為100 m/min。在卷繞運(yùn)動(dòng)過(guò)程中，使用JCT-15A型電容式檢測(cè)頭作為獲取紗線直徑信息的傳感器，并使用PC虛擬示波器(OWON VDS3104型)以5 kHz的采樣頻率同步采集并保存紗線電信號(hào)數(shù)據(jù)。

圖2 紗線試驗(yàn)平臺(tái)

2 基于CWT的紗疵電信號(hào)時(shí)頻特征提取

2.1 紗疵一維時(shí)域信號(hào)分析

當(dāng)紗線直徑發(fā)生變化時(shí)，紗線信號(hào)也會(huì)隨之發(fā)生相應(yīng)變化，因此，不同類(lèi)型的紗疵由于外觀形狀和長(zhǎng)度不同，引起的信號(hào)特征也不相同。

本文試驗(yàn)所用的紗線樣本均為江蘇無(wú)錫某紡織科技有限公司生產(chǎn)的27.8 tex純棉紗，通過(guò)隨機(jī)選取4根帶有不同紗疵的紗線樣本，經(jīng)捻接器拼接在一根正常的紗線上，拼接后的紗線試樣總長(zhǎng)度為35 m。紗線試樣的紗疵實(shí)際位置分布與時(shí)域信號(hào)波形圖如圖3所示。

由圖3可知，由于紗線本身是一個(gè)柔軟的彈性體[19]，在高速卷繞過(guò)程中極容易發(fā)生變形，因此采集到的原始紗線信號(hào)是非平穩(wěn)、非線性的，部分紗疵信號(hào)特征被噪聲信號(hào)所淹沒(méi)。因此，基于傳統(tǒng)特征工程的方法難以滿足準(zhǔn)確提取紗疵特征的要求。

圖3 紗疵實(shí)際位置分布與時(shí)域信號(hào)波形圖

FZ/T 01050—1997《紡織品 紗線疵點(diǎn)分級(jí)和檢驗(yàn)方法 電容式》中的紗疵分級(jí)標(biāo)準(zhǔn)[20]，如圖4所示，其中S表示紗疵的直徑相對(duì)于正常紗線直徑的變化幅度，L表示紗疵的長(zhǎng)度。由圖4可知，部分紗疵形態(tài)相近，體現(xiàn)在時(shí)域信號(hào)上的突變波形也比較相似。紗線試樣中正常紗線段的實(shí)物圖及局部時(shí)域信號(hào)波形圖，如圖5(a)所示。由圖5(a)可知，紗線在高速運(yùn)動(dòng)下的跳動(dòng)和形變使得信號(hào)在一定范圍內(nèi)發(fā)生波動(dòng)。圖5(b)～(e)為不同紗疵的實(shí)物圖及時(shí)域信號(hào)波形圖，其中圖5(d)所示的細(xì)節(jié)紗疵信號(hào)與圖5(a)所示的正常紗線信號(hào)的波形較為相似。因此，僅憑時(shí)域信號(hào)波形圖難以實(shí)現(xiàn)紗疵的正確識(shí)別和分類(lèi)。

圖4 紗疵分級(jí)示意圖[20]

圖5 不同類(lèi)型紗疵實(shí)物圖及局部時(shí)域信號(hào)波形圖

綜上所述，實(shí)現(xiàn)紗疵檢測(cè)的關(guān)鍵在于如何在非平穩(wěn)、非線性的原始紗線信號(hào)中對(duì)不同類(lèi)型紗疵的一維信號(hào)特征進(jìn)行有效、準(zhǔn)確提取。

2.2 紗疵時(shí)頻特征提取

時(shí)頻分析作為處理非平穩(wěn)信號(hào)的重要工具之一，常用短時(shí)傅里葉變換和連續(xù)小波變換兩種方法。短時(shí)傅里葉變換方法通過(guò)將非平穩(wěn)信號(hào)看成是一系列短時(shí)平穩(wěn)信號(hào)的疊加，采用固定時(shí)間窗函數(shù)的平移對(duì)信號(hào)進(jìn)行時(shí)頻分析，但是由于不同類(lèi)型的紗線疵點(diǎn)所引起的信號(hào)突變長(zhǎng)度不同，很難找到合適的固定窗函數(shù)平衡時(shí)間分辨率和頻率分辨率之間的關(guān)系[21]，因此該方法不適用于對(duì)當(dāng)前紗線信號(hào)進(jìn)行時(shí)頻分析。連續(xù)小波變換采用有限長(zhǎng)且會(huì)衰減的小波基函數(shù)來(lái)對(duì)信號(hào)進(jìn)行分析，避免了固定窗口長(zhǎng)度的問(wèn)題，更適合對(duì)非平穩(wěn)的原始紗線信號(hào)進(jìn)行分析[22]。假設(shè)原始紗線信號(hào)為f(t)，則連續(xù)小波變換的函數(shù)可以表示為

(1)

由于高斯函數(shù)在時(shí)頻域中具備良好的集中度，所以選用復(fù)高斯小波基函數(shù)作為基函數(shù)，并設(shè)定分解尺度為100。一個(gè)完整采集的紗線信號(hào)，采樣點(diǎn)數(shù)非常大，如果直接進(jìn)行連續(xù)小波變換，會(huì)因?yàn)橛?jì)算量過(guò)大而增加信號(hào)處理時(shí)間，或信號(hào)分析范圍過(guò)大而將紗疵信號(hào)特征淹沒(méi)。因此，需要對(duì)原始紗線信號(hào)做進(jìn)一步的處理。

根據(jù)實(shí)際生產(chǎn)經(jīng)驗(yàn)，紗疵的最大長(zhǎng)度一般不會(huì)超過(guò)200 cm。因此，在本文試驗(yàn)條件下，紗疵信號(hào)的采樣點(diǎn)一般不超過(guò)500個(gè)點(diǎn)，所以試驗(yàn)采用尺寸為1×500的滑動(dòng)檢測(cè)窗口對(duì)原始紗線信號(hào)進(jìn)行分割，再進(jìn)行CWT處理。紗疵的時(shí)頻特征提取效果如圖6所示，其中,各坐標(biāo)點(diǎn)顏色表示當(dāng)前采樣點(diǎn)的小波系數(shù)，該點(diǎn)的小波系數(shù)越大，則該坐標(biāo)區(qū)域的顏色越接近紅色。

由圖6可知，不同類(lèi)型紗疵的時(shí)頻圖之間具備明顯的差異。與圖5的紗線時(shí)域信號(hào)波形圖相比,圖6的時(shí)頻圖具備更高的辨識(shí)度和穩(wěn)定性，因此可以更全面地反映不同紗疵信號(hào)特征之間的細(xì)微差別。

3 基于時(shí)頻特征學(xué)習(xí)的分步式紗疵檢測(cè)方法

3.1 紗疵時(shí)頻特征學(xué)習(xí)算法設(shè)計(jì)

3.1.1 基于深度可分離卷積的紗疵時(shí)頻特征學(xué)習(xí)算法模型

如何對(duì)CWT提取到的紗疵二維時(shí)頻特征進(jìn)行有效學(xué)習(xí)，是實(shí)現(xiàn)紗疵檢測(cè)的核心。卷積神經(jīng)網(wǎng)絡(luò)具備良好的自動(dòng)表征學(xué)習(xí)能力。但是，大多數(shù)卷積神經(jīng)網(wǎng)絡(luò)模型為了提高模型的精度將網(wǎng)絡(luò)不斷加深，造成目前很多網(wǎng)絡(luò)模型的參數(shù)量越來(lái)越龐大，因此對(duì)運(yùn)行模型的設(shè)備硬件配置要求也越來(lái)越高[23]，增加了模型的運(yùn)行時(shí)間。

為適應(yīng)紗線實(shí)際生產(chǎn)的需求，滿足紗疵檢測(cè)的實(shí)時(shí)性要求，并盡可能降低檢測(cè)設(shè)備成本，本文以采用深度可分離卷積的MobileNet-V1[24]網(wǎng)絡(luò)為基礎(chǔ)，搭建用于紗疵二維時(shí)頻特征學(xué)習(xí)的網(wǎng)絡(luò)模型。

深度可分離卷積將卷積過(guò)程分為depthwise和pointwise兩步，如圖7所示，首先卷積核按照特征圖輸入通道進(jìn)行按位相乘計(jì)算，然后用1×1的卷積核來(lái)對(duì)上一步的特征圖繼續(xù)按照傳統(tǒng)卷積運(yùn)算方式進(jìn)行特征提取，其計(jì)算量就變?yōu)镈in×Din×M×Dk×Dk+1×1×M×N×Din×Din。

圖7 深度分離卷積過(guò)程

本文選擇MobileNet-V1作為時(shí)頻特征學(xué)習(xí)算法網(wǎng)絡(luò)，具體的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)和特征圖尺寸如表1所示，其中，s代表卷積步長(zhǎng)，Conv代表傳統(tǒng)卷積操作，dw和pw分別代表深度可分離卷積的depthwise和pointwise兩個(gè)卷積過(guò)程，Pool代表全局平均池化操作，C代表最終紗疵類(lèi)別數(shù)。

表1 時(shí)頻特征學(xué)習(xí)算法網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)表

3.1.2 紗疵時(shí)頻特征深度學(xué)習(xí)

卷積神經(jīng)網(wǎng)絡(luò)作為一種監(jiān)督式的深度學(xué)習(xí)方法，通過(guò)輸入帶有標(biāo)簽的樣本數(shù)據(jù)集，即可實(shí)現(xiàn)對(duì)樣本數(shù)據(jù)的特征學(xué)習(xí)。

基于卷積神經(jīng)網(wǎng)絡(luò)的紗疵時(shí)頻特征學(xué)習(xí)如圖8所示。本文將帶有紗疵類(lèi)型標(biāo)簽的二維時(shí)頻圖樣本數(shù)據(jù)集輸入到構(gòu)建好的卷積神經(jīng)網(wǎng)絡(luò)模型中，卷積神經(jīng)網(wǎng)絡(luò)通過(guò)特征的正向傳播以及誤差的反向傳播，實(shí)現(xiàn)紗疵二維時(shí)頻特征的學(xué)習(xí)，并對(duì)模型的參數(shù)進(jìn)行更新、調(diào)優(yōu)，最終得到最優(yōu)紗疵檢測(cè)算法模型，完成二維時(shí)頻特征空間向多維類(lèi)別空間的映射。

圖8 基于卷積神經(jīng)網(wǎng)絡(luò)的紗疵時(shí)頻特征學(xué)習(xí)過(guò)程

3.2 分步式紗疵檢測(cè)方法

在紗線實(shí)際生產(chǎn)過(guò)程中，所生產(chǎn)的絕大部分紗線為正常紗線，紗疵的出現(xiàn)為小概率事件，如果始終使用尺寸為1×500的小滑動(dòng)檢測(cè)窗口對(duì)紗線信號(hào)進(jìn)行分割，會(huì)大大增加模型的檢測(cè)耗時(shí)。因此，本文提出分步式紗疵檢測(cè)方法，將紗疵檢測(cè)過(guò)程分為“紗疵識(shí)別”和“紗疵分類(lèi)”兩步，通過(guò)加大紗疵識(shí)別過(guò)程中滑動(dòng)檢測(cè)窗口尺寸Sw，擴(kuò)大對(duì)紗疵信號(hào)檢測(cè)的覆蓋面積，減少待檢紗線信號(hào)段的數(shù)量，提高紗疵的檢測(cè)效率。分步式紗疵檢測(cè)原理如圖9所示。

圖9 分步式紗疵檢測(cè)方法原理

(1)紗疵識(shí)別：采用尺寸為1×Sw的大滑動(dòng)檢測(cè)窗口對(duì)原始紗線信號(hào)進(jìn)行分割，擴(kuò)大對(duì)紗疵信號(hào)檢測(cè)的覆蓋面積，以減少待檢信號(hào)段的數(shù)量。同時(shí)，構(gòu)建一個(gè)二分類(lèi)模型判別當(dāng)前紗線段是否存在紗疵。

(2)紗疵分類(lèi)：接收上一步識(shí)別為異常的紗線信號(hào)段，采用尺寸為1×500的小滑動(dòng)檢測(cè)窗口對(duì)異常信號(hào)段做進(jìn)一步分割，并設(shè)定滑動(dòng)窗口步長(zhǎng)為250，避免紗疵信號(hào)處于邊界時(shí)破壞其時(shí)頻特征，造成漏檢或誤檢。同時(shí)，構(gòu)建一個(gè)五分類(lèi)模型實(shí)現(xiàn)紗疵的具體分類(lèi)。

4 試驗(yàn)分析

4.1 試驗(yàn)環(huán)境和參數(shù)設(shè)置

4.1.1 試驗(yàn)環(huán)境和模型參數(shù)

計(jì)算機(jī)配置：處理器為AMD Ryzen7 4800 H@2.90 GHz；內(nèi)存為16 GB；GPU為Nvidia?GeForce GTX1650Ti(4 GB)；操作系統(tǒng)為Ubuntu16.04(64位)。程序語(yǔ)言為PythonTM3.6.2(64位)。模型基于Pytorch-GPU 1.2.0深度學(xué)習(xí)框架搭建。

模型采用隨機(jī)梯度下降法進(jìn)行訓(xùn)練，采用交叉熵?fù)p失函數(shù)，輸入時(shí)頻圖像分辨率為224像素×224像素，學(xué)習(xí)率設(shè)置為0.001，批訓(xùn)練大小設(shè)置為64，迭代次數(shù)設(shè)置為200步。

4.1.2 紗疵識(shí)別過(guò)程的滑動(dòng)檢測(cè)窗口尺寸Sw設(shè)置

在紗疵識(shí)別過(guò)程中，雖然可以通過(guò)加大滑動(dòng)檢測(cè)窗口的尺寸Sw來(lái)減少待檢紗線信號(hào)段的數(shù)量，提高紗疵的檢測(cè)效率，但是當(dāng)紗疵信號(hào)的檢測(cè)范圍擴(kuò)大后，紗疵時(shí)頻特征的分辨率也會(huì)隨之下降，直接影響分步式紗疵檢測(cè)方法對(duì)紗疵的檢測(cè)精度。為保證分步式紗疵檢測(cè)方法的檢測(cè)效率和檢測(cè)精度，本文針對(duì)紗疵識(shí)別過(guò)程中滑動(dòng)檢測(cè)窗口的尺寸Sw進(jìn)行了試驗(yàn)和選擇。

分別選取了Sw為1×1 000、1×2 000和1×3 000的滑動(dòng)檢測(cè)窗口對(duì)紗線信號(hào)原始數(shù)據(jù)進(jìn)行分割，經(jīng)CWT時(shí)頻特征提取后，分別輸入到紗疵識(shí)別-二分類(lèi)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到紗疵識(shí)別算法模型。

隨機(jī)對(duì)20段長(zhǎng)度為50 m的紗線進(jìn)行數(shù)據(jù)采集，采集到的紗線信號(hào)樣本點(diǎn)數(shù)大約為7.5萬(wàn)個(gè)，分別采用Sw為1×1 000、1×2 000和1×3 000的滑動(dòng)檢測(cè)窗口進(jìn)行處理后，再經(jīng)CWT轉(zhuǎn)換成時(shí)頻圖，輸入到對(duì)應(yīng)尺寸的紗疵識(shí)別模型，得到不同滑動(dòng)檢測(cè)窗口尺寸的試驗(yàn)結(jié)果，如圖10所示。

圖10 不同滑動(dòng)檢測(cè)窗口尺寸試驗(yàn)結(jié)果

由圖10可知：當(dāng)Sw為1×1 000時(shí)，雖然檢測(cè)精度較高，但是檢測(cè)耗時(shí)較長(zhǎng)，檢測(cè)效率明顯下降；當(dāng)Sw為1×2 000時(shí)，檢測(cè)精度相對(duì)于Sw為1×1 000時(shí)僅下降約1個(gè)百分點(diǎn)，但是檢測(cè)耗時(shí)卻縮短了一半；而當(dāng)Sw增大至1×3 000時(shí)，雖然檢測(cè)耗時(shí)較少，但是在檢測(cè)精度上卻出現(xiàn)明顯下降。

因此，當(dāng)紗疵識(shí)別過(guò)程的Sw為1×2 000時(shí)，可以在保持檢測(cè)精度的同時(shí)，提高紗疵識(shí)別階段的檢測(cè)效率。

4.2 紗線樣本數(shù)據(jù)預(yù)處理

采集到帶有紗疵的原始有效紗線樣本共400組，經(jīng)紗疵電信號(hào)采集試驗(yàn)平臺(tái)，得到紗線原始信號(hào)共400組。對(duì)每組數(shù)據(jù)以Sw為1×2 000的大滑動(dòng)檢測(cè)窗口進(jìn)行信號(hào)分割，分別得到長(zhǎng)度為2 000的900組正常紗線信號(hào)段和600組異常紗線信號(hào)段。經(jīng)CWT處理后，得到正常紗線時(shí)頻圖像900張和異常紗線時(shí)頻圖像600張。

為進(jìn)一步提高二分類(lèi)模型的泛化能力，通過(guò)添加噪聲、鏡像旋轉(zhuǎn)等圖像處理手段對(duì)兩類(lèi)圖像數(shù)據(jù)進(jìn)行擴(kuò)充，最終得到正常紗線時(shí)頻圖1 200張和異常紗線時(shí)頻圖1 100張，時(shí)頻圖分辨率為224像素×224像素。按照8∶1∶1的比例將數(shù)據(jù)集分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，得到如表2所示的二分類(lèi)樣本數(shù)據(jù)集分布。

表2 二分類(lèi)樣本數(shù)據(jù)集分布

采用Sw為1×500的小滑動(dòng)檢測(cè)窗口對(duì)上一步中類(lèi)別為異常的紗線信號(hào)段做進(jìn)一步分割，分別得到長(zhǎng)粗節(jié)、短粗節(jié)、棉結(jié)、細(xì)節(jié)以及正常紗線的原始紗疵信號(hào)樣本數(shù)據(jù)，5種原始紗疵信號(hào)樣本數(shù)據(jù)集分布如表3所示。由表3可知，由于在紗線生產(chǎn)過(guò)程中，紗疵的出現(xiàn)為小概率事件，因此導(dǎo)致正常紗線信號(hào)段和紗疵信號(hào)段分布嚴(yán)重不平衡。此外，受原材料質(zhì)量和生產(chǎn)環(huán)境的影響，各類(lèi)紗疵的出現(xiàn)頻率不同，也會(huì)導(dǎo)致各類(lèi)紗疵信號(hào)段的分布不均衡。

表3 原始紗疵樣本數(shù)據(jù)集分布

為避免因?yàn)閿?shù)據(jù)分布嚴(yán)重不均衡而對(duì)紗疵識(shí)別五分類(lèi)模型的訓(xùn)練結(jié)果產(chǎn)生嚴(yán)重的消極影響，本文采取兩種數(shù)據(jù)集擴(kuò)充方法來(lái)對(duì)紗疵樣本數(shù)據(jù)集進(jìn)行處理。

(1)采取信號(hào)時(shí)移的方法，在保證紗疵信號(hào)完整和紗疵信號(hào)段長(zhǎng)度不變的前提下，通過(guò)對(duì)紗疵信號(hào)進(jìn)行左右時(shí)移，來(lái)實(shí)現(xiàn)紗疵信號(hào)數(shù)據(jù)的擴(kuò)充，經(jīng)CWT處理后得到紗疵時(shí)頻圖，實(shí)現(xiàn)紗疵樣本數(shù)據(jù)集的初步擴(kuò)充。

(2)利用添加噪聲、鏡像旋轉(zhuǎn)等圖像處理手段對(duì)各類(lèi)紗疵的時(shí)頻圖像數(shù)據(jù)進(jìn)行處理，完成五分類(lèi)紗疵樣本數(shù)據(jù)集的擴(kuò)充。

對(duì)擴(kuò)充后的數(shù)據(jù)集按照8∶1∶1的比例將其劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，得到如表4所示的五分類(lèi)樣本數(shù)據(jù)集劃分結(jié)果。

表4 五分類(lèi)樣本數(shù)據(jù)集分布

4.3 試驗(yàn)結(jié)果分析

4.3.1 時(shí)頻特征學(xué)習(xí)算法可行性分析

(1)紗疵識(shí)別二分類(lèi)模型訓(xùn)練過(guò)程的精度曲線和損失曲線如圖11所示，模型在進(jìn)行100次迭代后訓(xùn)練損失曲線以及驗(yàn)證損失曲線趨于收斂，訓(xùn)練精度可以達(dá)到96%左右，并且其在驗(yàn)證集上的精度也接近94%，說(shuō)明所得二分類(lèi)模型可以有效識(shí)別長(zhǎng)度為2 000的紗線信號(hào)段中是否存在紗線疵點(diǎn)。

圖11 二分類(lèi)模型訓(xùn)練過(guò)程的精度曲線和損失曲線

(2)紗疵五分類(lèi)模型訓(xùn)練過(guò)程的精度曲線和損失曲線如圖12所示，模型在進(jìn)行25次迭代后訓(xùn)練損失曲線以及驗(yàn)證損失曲線趨于收斂，訓(xùn)練精度可以達(dá)到96%左右，并且其在驗(yàn)證集上的精度接近94%，說(shuō)明所得五分類(lèi)模型可以對(duì)長(zhǎng)度為500的異常紗線信號(hào)段上存在的紗線疵點(diǎn)進(jìn)行有效分類(lèi)。

圖12 五分類(lèi)模型訓(xùn)練過(guò)程的精度曲線和損失曲線

4.3.2 不同CNN算法模型的性能對(duì)比

為驗(yàn)證深度可分離卷積是否可以有效減少模型參數(shù)量并縮短模型的運(yùn)行時(shí)間，在保持相同參數(shù)和試驗(yàn)條件的前提下，本文將五分類(lèi)樣本數(shù)據(jù)集分別輸入到VGG16、Resnet-34等經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型，得出的試驗(yàn)結(jié)果如表5所示。

由表5可知，采用深度可分離卷積的MobileNet-V1與其他3類(lèi)算法網(wǎng)絡(luò)模型相比，在精度相差不多的前提下，基于MobileNet-V1的算法網(wǎng)絡(luò)模型單次運(yùn)行時(shí)間要遠(yuǎn)小于其他3類(lèi)算法網(wǎng)絡(luò)模型，可以更好地滿足紗疵檢測(cè)實(shí)時(shí)性需求。此外，MobileNet-V1模型所占用的內(nèi)存空間也遠(yuǎn)小于其他3類(lèi)算法網(wǎng)絡(luò)模型，更有利于后續(xù)將該算法模型布置在算力等級(jí)不高的移動(dòng)端，既避免了高算力設(shè)備的龐大體積占用較多空間，又可以降低企業(yè)的檢測(cè)成本。

表5 不同CNN模型之間的性能對(duì)比

4.3.3 分步式紗疵檢測(cè)模型有效性驗(yàn)證

為驗(yàn)證分步式紗疵檢測(cè)模型的有效性，將其與單步式紗疵檢測(cè)模型進(jìn)行試驗(yàn)對(duì)比。試驗(yàn)樣本采用長(zhǎng)度為50 m的紗線段，經(jīng)數(shù)據(jù)采樣得到紗線信號(hào)樣本點(diǎn)數(shù)大約為7.5萬(wàn)個(gè)。

(1)單步式紗疵檢測(cè)模型性能測(cè)試。對(duì)所采集的紗線信號(hào)樣本采用尺寸為1×500的滑動(dòng)檢測(cè)窗口進(jìn)行信號(hào)分割，設(shè)定窗口的滑動(dòng)步長(zhǎng)為250，經(jīng)CWT處理后得到二維時(shí)頻圖300張，輸入到訓(xùn)練好的五分類(lèi)模型中進(jìn)行紗疵檢測(cè)，模型檢測(cè)總耗時(shí)約為5.00 s。

(2)分步式紗疵檢測(cè)模型性能測(cè)試。對(duì)所采集的紗線信號(hào)樣本先采用尺寸為1×2 000的大滑動(dòng)檢測(cè)窗口進(jìn)行信號(hào)分割，得到長(zhǎng)度為2 000的紗線信號(hào)共38段，經(jīng)第一步中二分類(lèi)模型篩選后，得到含有紗疵的異常信號(hào)段共6段。采用尺寸為1×500的小滑動(dòng)檢測(cè)窗口對(duì)含有紗疵的異常信號(hào)段做進(jìn)一步分割，并設(shè)定滑動(dòng)步長(zhǎng)為250，最終得到長(zhǎng)度為500的待檢紗線信號(hào)共42段，輸入到五分類(lèi)模型完成紗疵分類(lèi)，模型耗費(fèi)的總檢測(cè)時(shí)間約為1.20 s。

為進(jìn)一步確保試驗(yàn)結(jié)果的可靠性，隨機(jī)選取20段長(zhǎng)度為50 m的紗線段對(duì)模型的性能作進(jìn)一步測(cè)試，得到的測(cè)試結(jié)果如表6所示。

表6 單步紗疵檢測(cè)模型和分步式紗疵檢測(cè)模型檢測(cè)性能對(duì)比

由表6可知：?jiǎn)尾绞郊喆脵z測(cè)模型最長(zhǎng)檢測(cè)耗時(shí)約8.50 s，最短檢測(cè)耗時(shí)約4.90 s，模型的平均檢測(cè)耗時(shí)約為5.80 s；分步式紗疵檢測(cè)模型最長(zhǎng)檢測(cè)耗時(shí)約1.50 s，最短檢測(cè)耗時(shí)約0.80 s，模型的平均檢測(cè)耗時(shí)在0.95 s左右。

試驗(yàn)結(jié)果表明，在不影響紗疵檢測(cè)精度的前提下，分步式紗疵檢測(cè)模型可以有效減少檢測(cè)的耗時(shí)，提高紗線疵點(diǎn)的檢測(cè)效率。

4.3.4 基于時(shí)頻特征學(xué)習(xí)的紗疵檢測(cè)方法有效性驗(yàn)證

為驗(yàn)證基于時(shí)頻特征學(xué)習(xí)的紗疵檢測(cè)方法的有效性，本文將該方法與基于深度學(xué)習(xí)的異常檢測(cè)方法和基于傳統(tǒng)特征工程的異常檢測(cè)方法進(jìn)行比較，試驗(yàn)驗(yàn)證所用數(shù)據(jù)為處理后的五分類(lèi)樣本數(shù)據(jù)集。

基于深度學(xué)習(xí)的異常檢測(cè)常用方法主要有LSTM(long short term memory)和1D-CNN，本文分別構(gòu)建了兩層LSTM分類(lèi)網(wǎng)絡(luò)和基于ResNet-34的1D-CNN分類(lèi)網(wǎng)絡(luò)，來(lái)實(shí)現(xiàn)紗疵的分類(lèi)?；趥鹘y(tǒng)特征工程的異常檢測(cè)方法通常采用經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition，EMD)對(duì)紗疵信號(hào)進(jìn)行分解，獲得本征模態(tài)函數(shù)(intrinsic mode function，IMF)來(lái)構(gòu)建紗疵特征向量，本文分別采用支持向量機(jī)(support vector machine，SVM)和K最近鄰算法(K-nearest neighbor，KNN)作為分類(lèi)器，實(shí)現(xiàn)紗疵的分類(lèi)。

采用同一組紗線信號(hào)樣本數(shù)據(jù)集對(duì)上述方法進(jìn)行試驗(yàn)測(cè)試，得到的紗疵檢測(cè)結(jié)果如表7所示。由表7可知，基于深度學(xué)習(xí)的2種異常檢測(cè)方法的紗疵的檢測(cè)精度要高于基于傳統(tǒng)特征工程的2種異常檢測(cè)方法。但是，本文所提方法的紗疵的檢測(cè)精度比基于深度學(xué)習(xí)的2種異常檢測(cè)方法的檢測(cè)精度高10個(gè)百分點(diǎn)左右。試驗(yàn)對(duì)比結(jié)果表明，本文提出的基于時(shí)頻特征學(xué)習(xí)的紗疵檢測(cè)方法是可行的。

表7 不同異常檢測(cè)方法結(jié)果對(duì)比

5 結(jié) 語(yǔ)

針對(duì)現(xiàn)有紗疵檢測(cè)方法效率低和特征提取困難等問(wèn)題，本文提出了一種基于時(shí)頻特征學(xué)習(xí)的分步式紗疵檢測(cè)方法，并以27.8 tex純棉紗為檢測(cè)對(duì)象進(jìn)行試驗(yàn)，試驗(yàn)結(jié)果表明：基于時(shí)頻特征學(xué)習(xí)的分步式紗疵檢測(cè)方法在識(shí)別精度上比現(xiàn)有4種異常檢測(cè)方法高出10個(gè)百分點(diǎn)以上。同時(shí)，該方法檢測(cè)一根長(zhǎng)度為50 m的紗線平均耗時(shí)僅為0.95 s，僅為單步式紗疵檢測(cè)方法平均檢測(cè)耗時(shí)的1/5，有效提高了紗疵的檢測(cè)精度和檢測(cè)效率。

但是，當(dāng)前針對(duì)紗疵檢測(cè)的研究也存在一定的不足：該紗疵檢測(cè)方法目前限于試驗(yàn)條件，只采用27.8 tex純棉紗進(jìn)行試驗(yàn)，且該方法只能識(shí)別紗疵的所屬類(lèi)型，還不能有效地對(duì)紗疵進(jìn)行分級(jí)。計(jì)劃在未來(lái)研究中針對(duì)其他規(guī)格紗線進(jìn)行方法有效性試驗(yàn)驗(yàn)證，并就紗疵分級(jí)問(wèn)題對(duì)方法做進(jìn)一步改進(jìn)。