基于深度學習算法的織物風格評價模型與纖維力學性能分析

申粉粉

（上海工程技術大學 機械與汽車工程學院，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。新的紡織產品正在逐步出現(xiàn)并得到廣泛應用［1］。自20 世紀50 年代中期以來，美國率先開發(fā)出異形纖維，并生產出三角形截面纖維。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品［2］。相比之下，中國異形纖維的開發(fā)和生產起步較晚，隨著紡織技術的發(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)達國家相比，中國纖維紡織品的檢測技術還存在一定的差距，特別是對各類異形纖維的檢測。如何快速準確地對異形纖維進行識別和分類，是中國進出口檢驗過程中的一項重要任務［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資料更新?lián)Q代的壓力下，如果企業(yè)控制影響生產質量的重要工序，能明確產品質量的評價標準，提前修改生產工藝參數(shù)，就能保證紡織品的質量［5］。

隨著圖像處理和深度學習技術的發(fā)展，一些學者通過輪廓碼對韌皮纖維和葉纖維進行分類識別，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］。考慮到變形后的纖維對識別結果影響很大，基于纖維圖像處理，訓練了一種基于深度學習的卷積神經網絡（CNN）來識別變形纖維。此外，還利用傳統(tǒng)的反向傳播神經網絡（BPNN），模擬原纖維質量與紡織品質量之間的相關性，從而構建了紡織品質量預測模型。希望通過對針織復合材料力學性能的分析，為針織復合材料的應用提供依據(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，圖像的預處理是圖像分割、特征提取和分類識別的基礎。在采集異形纖維橫截面顯微圖像時，由于設備、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量。圖像預處理通過灰度化、去噪、邊緣檢測和增強等步驟消除圖像中的噪聲和無關信息，從而增強了有用信息，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鍵信息。通過對圖像進行灰度化處理，簡化了計算過程，提高了計算速度。彩色圖像數(shù)據(jù)包含紅綠藍（RGB）值。對于灰度化，這3 個分量應使用不同的權重進行加權和平均。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，有必要通過相關技術消除噪聲，實現(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。相應的去噪方法有空域去噪和頻域去噪兩種傳統(tǒng)方法。空域去噪方法包括中值濾波和均值濾波，即對原始圖像進行卷積處理，以達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，將原始圖像轉換到頻域；經過適當?shù)臑V波和去噪處理后，將圖像轉換到空域，得到最終的去噪圖像［9］。近年來，在傳統(tǒng)去噪技術的基礎上發(fā)展了一種基于小波理論的去噪方法。通過設置適當?shù)拈撝担ㄔ肼暎瞥∮陂撝档南禂?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，除了纖維內部和背景的灰度值差異不大外，還需要確定一個合理的閾值來最大化前景和背景類別之間的方差；同時，可以通過最大類間方差法，對閾值進行優(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的輪廓信息。分割目標的邊緣信息應盡可能完整，即使對于邊緣較弱的纖維圖像，也要避免過度分割。

1.2 基于深度神經網絡的分類與識別

深度學習作為機器學習發(fā)展過程中形成的一門新興學科，主要負責數(shù)據(jù)的表征學習。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。深度學習通過建立一個學習模型來適應復雜的功能，該模型從訓練數(shù)據(jù)中學習某些類型數(shù)據(jù)的特征。CNN 是深度學習領域使用最廣泛的網絡框架。網絡結構越深，結構就越復雜。神經網絡由許多相互連接的節(jié)點組成；信號的傳輸有一個加權值，每個節(jié)點都有一個特定的激活函數(shù)。加權和偏置后，神經元的輸入Z和輸出y表示為：

其中：x0表示偏移；x1和x2是輸入；θ1和θ2是權重。如果有n個輸入，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：

深度神經網絡（DNN）的結構如圖1 所示。輸入層連接到多個節(jié)點，結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 學習是一種有監(jiān)督學習，本質上是學習多個輸入輸出之間的映射關系。其循環(huán)訓練的目的是不斷減少損失函數(shù)，直到收斂；網絡中的層數(shù)將根據(jù)具體情況而定［11］。

圖1 DNN 結構Fig.1 DNN structure

DNN 包括前向傳播和后向傳播兩個階段。在前向傳播階段，首先對所有參數(shù)進行初始化后，根據(jù)輸入計算出每一層的輸出。最后，對網絡進行訓練后，對預測樣本進行分類。網絡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層的加權輸出和激活輸出。

在反向傳播階段，可以根據(jù)實際輸出，計算損耗函數(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)直接計算；dZ［L］為損失函數(shù)的梯度；dW為損失函數(shù)對權重的偏導數(shù)；db為損失函數(shù)對偏差的偏導數(shù)。

由于傳統(tǒng)的神經網絡結構包含大量的節(jié)點，細胞神經網絡通過卷積核引入卷積計算，從而實現(xiàn)參數(shù)共享，減少參數(shù)個數(shù)，縮短了模型訓練時間。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習到的要素映射到標簽空間。通常在分類輸出層之前有1－3 個完全連通的層，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

作為深度學習模型之一，CNN 比傳統(tǒng)的淺層神經網絡更適合圖像特征提取。通過將灰度圖像直接輸入網絡，大大簡化了預處理過程。CNN 還逐步對底層特征進行抽象和組合，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)淺層神經網絡的分類過程如圖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 基于神經網絡的紡織品質量預測模型

生產和加工技術是決定成品紡織品質量的核心，而原棉纖維的質量是保證紡織品質量的基礎。考慮到大型紡織品的生產參數(shù)對成品質量的影響受人為因素的控制，在假設生產參數(shù)不變的情況下，探討原棉質量參數(shù)對織物質量的影響［12］。在構建基于神經網絡的紡織品質量預測模型時，首先對原纖維質量指標進行處理，將這些數(shù)據(jù)作為輸入，將紡織品質量作為輸出。選取的質量指標包括原棉長度和纖維成熟度；紡織品質量指標包括紗線強力。根據(jù)特定的算法建立神經網絡模型后，利用大部分實際數(shù)據(jù)作為訓練樣本對網絡進行訓練，剩余的樣本用來評估訓練好的神經網絡。最后，基于新質量指標對紡織品的質量進行了預測。

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

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

纖維長度越長，紗線的強力越高，見表1。如果纖維較短，增加纖維長度會增加紗線強力；如果纖維足夠長，紗線強度會因纖維長度的增加而顯著降低。紡織品質量指標包括：紗線強力（Y1）和棉結總數(shù)（Y2），作為輸出。在所有數(shù)據(jù)中，25 組作為訓練樣本，其余5 組作為測試樣本。訓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 神經網絡的紡織品質量預測模型包括輸入層、隱含層和輸出層。利用重復糾錯功能，網絡對輸入響應的準確性也得到了提高［14］。但是，考慮到該BP 神經網絡訓練時間長、易陷入局部極小值等局限性，將其與粒子群算法相結合。利用粒子群算法的實數(shù)解和易于實現(xiàn)等優(yōu)點，使質量預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，隨著計算機科學的發(fā)展，基于粒子群算法的思維進化算法（MEA）從1998 年開始被提出并應用。MEA 的特點在于引入了“收斂”、“異化”等過程來提高全局搜索性能。通過在子群內收斂和全局實施異化操作，這兩種方法的協(xié)作將提高搜索效率［15］。當MEA 算法滿足迭代終止條件，將輸出最優(yōu)個體。然后，生成BP 神經網絡的初始權值和閾值。最后，利用訓練樣本對網絡進行訓練。

2 實驗結果與分析

2.1 試驗數(shù)據(jù)選取

為探討DNN 在異形纖維分類識別中的性能，選取北京進出口檢驗檢疫部門提供的纖維截面顯微圖像作為數(shù)據(jù)樣本。經過數(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。對于每個類別，選擇4 000 個樣本作為訓練樣本、1 000個樣本為測試樣本。為了評估所設計的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)進行了測試。

2.2 異形纖維的分類識別結果

利用深度學習領域中的CNN 模型識別成形纖維，結果如圖6 所示。顯然，所提出的網絡在識別大多數(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 形纖維的識別準確率都在98%以上，而對縫隙纖維和W 形纖維的識別準確率較低，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果Fig.6 Classification and recognition results of profiled fiber

在此基礎上，維持了包含兩層卷積的七層網絡結構，分析了不同卷積核大小對異形纖維分類結果的影響。構造了3 種不同的卷積結構：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 種網絡結構對異形纖維的分類識別結果見表2。

表2 不同卷積結構對異形纖維的識別結果Tab.2 Recognition results of different convolution structures for profiled fibers

由此可見，在神經網絡卷積核較少的情況下，相應提取的特征也較少，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，當卷積核增加到一定數(shù)量時，可能會出現(xiàn)特征提取的冗余，此時識別準確率不再提高。

2.3 預測的結果

對于基于神經網絡的紡織品質量預測模型的性能分析，比較了傳統(tǒng)的BP 神經網絡模型、PSOBPNN 模型和基于MEA 的BP 神經網絡模型的預測性能。在此，對12 個紡織品樣品的質量進行了預測。3 種模型的質量預測結果如圖7～10 所示。

圖7 樣品1～6 的紗線強度預測結果Fig.7 Yarn strength prediction results of samples 1 to 6

圖8 樣品7～12 的紗線強度預測結果Fig.8 Yarn strength prediction results of samples 7－12

圖9 樣本1～6 中總棉結的預測結果Fig.9 Prediction results of total neps in samples 1～6

圖10 樣本7～12 中總棉結的預測結果Fig.10 Prediction results of total neps in samples7～12

紗線強力（Y1）的預測結果表明，與傳統(tǒng)的BPNN 模型相比，PSO－BPNN 模型的預測值與實際值吻合較好，PSO－BPNN 的預測精度高于基于MEA的BPNN。對總棉結（Y2）的預測結果表明，除了樣本5 和樣本8 外，傳統(tǒng)的BP 神經網絡也表現(xiàn)出了較好的預測效果。但相比較而言，PSO－BPNN 模型的預測性能更穩(wěn)定，預測值與實際值相差較小；除樣本9 外，基于MEA 的BP 神經網絡模型預測誤差較大，但對棉結總數(shù)的預測性能穩(wěn)定。

3 結束語

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。機器學習作為一種從標注數(shù)據(jù)中學習數(shù)據(jù)內在規(guī)律和特征的技術，在纖維識別領域得到了廣泛的應用。特別是在異形纖維的檢測中，機器學習在準確率和效率上體現(xiàn)了其優(yōu)勢。但是，由于淺層機器學習模型仍然需要人工操作來提取樣本的特征，所以這個過程是冗余和繁瑣的。相比之下，深度學習可以通過大規(guī)模數(shù)據(jù)訓練來學習數(shù)據(jù)的本質特征，顯著提高了識別準確率。因此，本文利用深度學習模型之一的細胞神經網絡（CNN）構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絡中，大大簡化了圖像的預處理過程。CNN 還逐步對底層特征進行抽象和組合，形成高層特征，優(yōu)化分類識別效果。此外，利用傳統(tǒng)的BP 神經網絡來模擬原纖維質量與紡織品質量之間的相關性，從而構建了紡織品質量預測模型。實驗表明，該網絡對大多數(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 形纖維的識別準確率都在98%以上，而對縫隙纖維和W 形纖維的識別準確率較低，不到80%。希望通過對針織復合材料力學性能的分析，為針織復合材料的應用提供依據(jù)。

然而，由于主觀和客觀的限制，不同網絡結構對異形纖維識別的影響的研究在這里并不涉及。因此，今后需要對不同網絡結構的具體應用效果進行分析，以進一步提高異形纖維的識別準確率。