人工智能技術在麻棉纖維鑒別中的研究現狀

伏廣偉，張珍竹，李紅英，張志榮，韓文霞，劉建勇

（1.中國紡織工程學會，北京 100025；2.佛山中紡聯檢驗技術服務有限公司，廣東 佛山 528211；3.天津工業大學，天津 300387）

隨著經濟的不斷發展，人們越來越追求服裝的舒適和健康[1]。棉纖維和麻纖維作為天然纖維，綠色健康，經過混紡而成的麻棉織物作為一種兼具棉的柔軟和麻的挺括特點的織物，在市場上越來越受到消費者的歡迎[2]。麻棉織物中的成分含量不同，其理化性能差異較大，且棉纖維與麻纖維的價格不同，因此企業需要依托第三方檢測機構對麻纖維和棉纖維進行檢測識別，以確定紗線中的棉與麻的纖維含量，從而進行合理定價。

國內對于纖維含量的檢測主要根據GB 18401-2010《國家紡織產品基本安全技術規范》[3]和GB/T 5296.4-2012《消費品使用說明第4 部分：紡織品和服裝》[4]進行，主要分為物理法和化學法。由于棉纖維和麻纖維同屬于纖維素纖維，其混紡產品無法用化學溶解的方式測定其成分含量，因此檢測人員通常用纖維顯微鏡橫截面測定法來觀察棉纖維和麻纖維的物理結構特征。棉纖維天然轉曲，具有腰圓中腔的結構，麻纖維兩端尖細中部較粗，沿纖維方向上的形態大致為矩形，具有橫節豎紋的結構[5]，兩種纖維在形態結構上具有明顯差異，熟練的檢測人員可做到50 分鐘檢測完成一個樣品的檢測。

針對人工檢測的檢測時間長，成本高，主觀因素影響較大的問題，采用人工智能技術對檢測流程的改造就十分具有必要性了。本文在介紹了人工智能技術鑒別麻棉纖維主要過程的基礎上，重點對圖像處理技術在麻棉纖維檢測領域的發展現狀進行了系統的梳理和總結，并對人工智能技術在檢測領域的發展前景進行了展望。

1 人工智能技術鑒別麻棉纖維的主要過程

目前國內主要依照AATCC 20A 纖維定量分析中的顯微鏡法來測定麻棉纖維的混紡比[6-8]。在結合人工智能技術進行自動化識別過程中，主要是對麻棉纖維的纖維圖像進行采集，隨后進行圖像的預處理，特征值提取，最后進行麻棉纖維的識別具體過程（如圖1 所示）。

1.1 纖維圖像采集

基于人工智能技術的麻棉纖維自動圖像采集技術，主要是以自動聚焦、多焦面圖像融合和圖像拼接技術三部分的技術進行組合而成的，其中最主要的部分是自動聚焦技術[9]。棉纖維天然轉曲，麻棉纖維在制樣中容易出現交叉現象，因此同一視野下存在多個焦平面，普通光學顯微鏡景深較短，無法對多個焦平面進行清晰地對焦。因此基于人工智能技術的自動聚焦技術能解決傳統光學顯微鏡的不足，并且調節速度和靈敏度也比手動調節快，大大加快了纖維圖像采集的效率。

圖1 人工智能技術鑒別麻棉纖維技術路線圖

1.2 纖維圖像預處理

纖維圖像采集成功后，在預處理過程中常常會遇到光照不勻、噪聲、虛影等問題，因此需要對這些問題進行處理，避免影響后續的特征值提取過程。纖維圖像的預處理主要包括圖像的灰度化處理[10]、雜質噪聲濾除、圖像增強處理、圖像偏斜矯正以及圖像邊緣提取與修補[11-13]。

麻棉纖維的差異主要集中在物理結構上，需要剔除顏色對人工智能技術對麻棉纖維識別的干擾，因此需要對纖維圖像進行灰度化處理。處理后的圖片依舊存在許多干擾因素，如氣泡雜質等噪聲干擾，此時需要對圖像的雜質噪聲進行濾除，從而利于后續的邊緣特征值提取。后續則需要對圖像的細節部分進行特征強化，同時進行圖像的矯正與修補，使灰度區間與灰度級增大，細節特征更清晰，增強識別效率。

1.3 特征值提取

棉纖維和麻纖維的形態結構不同，因此可以通過提取細節部分不同的特征情況來對兩種纖維進行區分。Baker[14]最早將圖像處理技術運用到紡織領域，通過IIMC 系統準確計算了棉纖維縱向投影上的平均寬度，測定了棉纖維的截面形態結構，開始將棉纖維的特征參數納入圖像處理技術的考核范圍。隨后D.P.Thibodeaux[15]改進這項技術，測出了棉纖維縱向的投影尺寸分布，通過一系列特征指標來推斷棉纖維的成熟度。Matic-LeighR.[16]等人澤分析纖維的橫截面圖像，分析出了胞壁厚度、纖維寬度、成熟度系數、成熟度比率及胞壁厚度系數等指標。

國內的余序芬和吳兆平同樣對纖維的縱向結構進行分析，通過對棉纖維和麻纖維的大量識別，選取了纖維直徑、CV 值和充滿度三個特征值來對麻棉纖維進行自動識別[17-18]。徐回祥澤[19]選取CV 值、苧麻橫節數和纖維扭曲度三個特征值來識別麻棉混紡紗的混紡比。趙宇濤則[20]選取了纖維圖像的直徑比、直徑標準差、平均扭曲度、最大扭曲度、整體充滿度和充滿度標準差這六個特征值進行特征強化，識別效率較高。

隨著人工智能技術的不斷發展，特征值參數與BP 神經網絡的組合識別模式使得識別準確率與效率越來越高，未來人工智能技術在檢測領域的應用發展前景廣闊。

1.4 纖維識別

正確識別了麻棉纖維的特征值后，相關機構會基于sigmoid 型變換函數來對特征值參數進行BP 神經網絡訓練，通過多個輸入多個特征值參數對結果進行判斷，可逐步訓練學習過程，通過錯誤反饋來逼近期望輸出值，提高識別正確率。

2 影響麻棉纖維鑒別的干擾因素

人工智能技術不止是可以應用到麻棉纖維鑒別，也可以識別各類具有不同縱向形態與截面特征的纖維，但是識別各種纖維的過程中均會遇到特征值識別不清晰的問題。麻棉纖維鑒別過程中主要存在兩類干擾因素。一類是纖維本身固有特征存在缺陷，如棉纖維自身品質問題，導致天然轉曲、腰圓中腔的特征不明晰，就會出現無法識別或誤判。一類是統計特征參數誤差，纖維的狀態各不相同，設定的閾值往往不能完全完全對纖維的特征值進行完全覆蓋，且各類纖維特征參數分布有交叉的地方，因此識別誤差是無法消除的，并且誤差難以估計[21]。

3 研究不足和展望

盡管關于人工智能技術運用到麻棉纖維檢測領域的研究已經有了一定的進展，但很多的關于麻棉纖維自動化檢測的結果都是在樣品條件較好的條件下得出的，與實際遇到的檢測情況有所出入。當前主要的人工智能技術在棉麻纖維識別過程中出現的問題如下。

3.1 纖維采集與預處理效果不好

在麻棉纖維采集的過程中，常常會出現麻棉纖維相互交錯的情況，此時纖維圖像的提取存在困難，無法得到完整圖像，因此需要進行進一步的研究改進。

3.2 特征值提取數量不足

目前關于麻棉纖維的特征值選取已經從開始的三種，逐步發展到了現在的六種之多。但是對于過于成熟及未成熟的棉纖維，其天然轉曲不明顯，直徑變化不大，輪廓形態與亞麻纖維接近，現有的特征值提取選擇容易導致人工智能識別不清，出現誤差。因此更適合鑒別麻棉纖維的特征值還需要進行進一步的歸納與提取。

3.3 識別能力不足

目前人工智能技術運用在麻棉纖維的實際檢測情況還不多，實驗室內主要對一個地區生產的棉纖維和麻纖維進行了神經網絡訓練，當不同地區不同品種的棉纖維和麻纖維進行識別檢測的數據不足，其識別精確度不好，因此在后續研究中，需要繼續訓練，完善神經網絡。

3.4 人工智能技術在檢測領域的發展前景

人工智能技術賦能檢測行業，能夠通過自動化的檢測技術大大減輕檢測人員的工作強度，不斷提高識別效率和準確率。基于人工智能技術的自動化檢測是的檢測行業的發展趨勢，也是行業環境不斷演變的大方向。

4 結語

人工智能技術進行特征值識別的研究逐步引起了廣泛關注，本文首先總結了當前人工智能技術鑒別麻棉纖維的基本方法，包括纖維圖像采集、纖維圖像預處理、特征值提取和纖維識別技術，其次從影響麻棉纖維準確識別的干擾因素進行分析，總結了人工智能技術應用在麻棉纖維鑒別過程中常見的問題。通過從原理出發，分析實際鑒別過程中出現的問題，建立起人工智能技術鑒別麻棉纖維的整體思路框架，從而進一步推動對人工智能技術在檢測行業的進一步發展。