光譜識別技術在智能家電中的邊緣計算應用探討

魯么塵

深圳和而泰智能控制股份有限公司 廣東 深圳 518132

前言

目前智能家電中關于智能衣物處理方面的設備包括且不限于智能洗衣機、智能干衣機、智能衣柜、智能衣架等。這些智能家電一般都有IoT的功能，在工作時能夠將實時控制的情況通過網絡和計算云進行數據交換，在云中的運算完成后，把結果反饋給用戶終端。本文所介紹的光譜分析的過程就是幫助這些智能設備在接收衣物的第一時間收集到衣物的布質信息，從而幫助智能設備對后續如何針對這些衣物做相關的算法動作而提供指導。例如，干衣機在從光譜分析中得出所要處理的衣物大多為棉類衣物時或者大多為麻類衣物時所需要進行的處理流程則會不同，而依據則是光譜分析過程提供的數據支持。

在市場上目前對衣物進行分析的主要技術有RFID識別技術、AI攝像頭識別技術、光譜分析技術、衣服邊緣檢測技術、吸水率識別技術等[1]。本文作者認為目前在智能家電中使用的衣物材質識別技術中光譜識別技術相對識別率高，成本低廉有推廣的優勢。

本文將會對光譜識別技術在布質識別中的技術應用做出介紹和分析，同時，對于在布質識別過程中算法的難點進行分析，并且提出解決方法。

1 光譜布質識別技術

光譜識別技術一般來說是一種利用被查被測物體受到自然光或者特定光源照射并且分光后，被色散分離成單色光，通過成像系統，投射在探測器或傳感器上成為按照波長、頻率依次排列為不同的光譜圖案，之后這些光譜圖案被識別出特征值的技術。

針對不同的布料，在受到光源照射時也會產生不同的光譜反應，但是，一般我們不能使用可見光對布質材料進行光譜分析，因為可見光將會受到布料顏色本身的很大干擾。所以布質識別的光譜識別技術我們主要采用紅外光譜的識別方法，因為大量布料的主要光譜特性敏感波長區域均是波長較長的紅外光波或者近紅外光波。其中，合成纖維一般是紅外光譜，如棉綸、滌綸、丙綸、腈綸。天然纖維一般是近紅外光譜，如棉、麻、粘膠、莫代爾、羊毛、羊絨、絲綢。其中近紅外區一般是指（0.75～2.5um），中紅外區（2.5～25um），遠紅外區（25～1000um）順便需要提一下的是，水分對于布質光譜分析時候的影響會比較大，因其也會釋放大量的紅外反饋光譜，所以在做光譜識別算法的時候，需要對其中的水分進行運算處理。

我們在對布質材料進行光譜采樣過程中使用紅外光譜技術，紅外光譜識別技術主要是利用纖維分子中不同基團產生的光譜在吸收峰位置上有所不同，而且其光譜特征值還會隨著布質的成分和結構而變化[2]。而我們就是利用這種變化來做相關的布質分析。

其實看的是不同樣品的光譜吸收峰的位置變化，來對樣品成分進行定性分析。除了上文中說到的這種方法對于溫度濕度都比較敏感之外，還需要一定量的樣品進行數據采集，從而進行建模分析，構建算法。

2 家電產品應用識別的邏輯

在拿到了從傳感器端收集的相關布質信息之后，不需要利用IoT的云端計算，直接在收集信息端進行邊緣計算既可以得出布質材料的分析結果，響應時間遠小于1秒。之后邊緣計算端將計算結果反饋給智能家電的控制終端，在本地的數據庫進行分析運算，同時也可以將信息分享至云端，為后續提升AI的效果再做分析的儲備數據用。分析完成后，智能家電端則按照運算結果選擇洗滌、烘干等針對不同混合纖維的處理方案。例如在水量、洗滌劑、溫度控制、處理速度等方面進行參數設計和調整，以便于達到作用效果最佳的目的。

3 布質識別產品算法路徑

根據上述的理論說明，可以知道，在進行單一材料布質設計識別時會涉及針對不同顏色布質的識別，這里因為顏色不同而引起的光譜效應不同，在實際的產品設計過程中，則需要在算法中將因為顏色不同所產生的“歧義”光譜消除掉，這樣才能避免在邊緣計算過程中產生的布質誤判情況的發生，那么如何消除呢？本文下面提供一種直接的方法來消除。

算法需要通過對不同顏色“學習”來消除顏色帶來的判斷影響。這種學習邏輯，現在主流的技術建模計算方式都可以達到（補充）關鍵是我們如何去做，同這種學習邏輯相匹配，從而解決這個問題。本文推薦的做法是，準備各種不同顏色的布質原材料，每種材料使用傳感探頭進行數據采樣測量，每個不同顏色的布料采樣要多次，在采樣過程中要注意控制單一變量，同樣的情況針對不同的環境、布質上面的污漬都需要做控制變量法的分析和采集過程。因為篇幅的原因，本文中僅對一種情況進行分析。

在測試分析過程中，控制單一變量，分析兩種情況，細節如下：

（1）布質與污漬的組合類型以及純布質類型的混合識別紅麻-紅酒，白絲；識別，橘紅麻-紅酒，白絲。

（2）污漬種類的識別，不考慮布質類型，紅麻-紅酒，白絲；識別，紅酒，純凈。

本次我們采用數據樣本數量為9000，數據維度是61，對應光譜波長范圍750～1050nm，采樣間隔為5nm，進行實驗驗證。數據樣本類型包括含污漬的布質與純凈布質，其中污漬主要是血，泥土，紅酒，咖啡共4種，而布質主要是麻，棉，尼龍，羊毛，絲，混合，滌綸等共7種類型。

布質與污漬的組合類型以及純布質類型的混合識別：

混合類型種類總共有90種，每種類型的樣本數量是100，對應10個不同的位置有放回的方式采集10次，數據可視化如下不同類型的樣本，用不同顏色繪制。從圖可以直觀看到不同類型具有較好的層次區分性。如圖1所示。

污漬種類的識別，不考慮布質類型。污漬類型主要是血，泥土，紅酒，咖啡共4種，另外增加純凈類（不含污跡），共5種類型。不考慮布質類型，只考慮污漬類型，根據污漬的類型進行劃分，另外將純布料類型作為純凈類別，于是污漬種類的數量分布如圖2所示。

圖1 污漬布質組合光譜圖

圖2 純污漬光譜圖

整體上，從數據來看，整體的識別度在90%以上。實驗結果說明此種方案在光譜布質識別方面有實用價值且準確度高。