混紡織物混紡比檢測的前沿技術(shù)及發(fā)展趨勢

林素存,魏 菊

(大連工業(yè)大學(xué)紡織與材料工程學(xué)院,遼寧 大連 116034)

與純紡織物相比,混紡織物能夠充分利用不同纖維的優(yōu)點(diǎn),起到優(yōu)勢互補(bǔ)的作用。混紡比是混紡織物檢測的一項(xiàng)重要指標(biāo)[1]。隨著紡織科技的快速發(fā)展,混紡織物的品種越來越豐富,在滿足人們物質(zhì)文化生活需求的同時(shí)也對混紡比檢測技術(shù)提出了更高的要求。傳統(tǒng)的混紡比檢測方法主要有化學(xué)溶解法[2]和人工肉眼識別法[3]。化學(xué)溶解法利用纖維的溶解性差異,選擇合適的化學(xué)試劑溶解織物中的某種組分,通過織物溶解前后的質(zhì)量差計(jì)算混紡比。但由于涉及化學(xué)藥品的使用,化學(xué)溶解法有一定的環(huán)境污染風(fēng)險(xiǎn),有些試劑如二甲基甲酰胺[4]有毒,危害人體健康。人工肉眼識別法是將混紡織物拆解成纖維,在顯微鏡下觀察,人工識別纖維類型并計(jì)數(shù)根數(shù)從而計(jì)算混紡比,肉眼識別法對檢測人員要求高,測試費(fèi)時(shí)費(fèi)力。由此可見,尋求綠色安全的新技術(shù)代替?zhèn)鹘y(tǒng)檢測技術(shù)具有重要的現(xiàn)實(shí)意義。

近年來,研究人員開發(fā)了一系列利用生物、光譜學(xué)、數(shù)學(xué)、計(jì)算機(jī)等技術(shù)對混紡織物進(jìn)行混紡比檢測的新技術(shù)[5],具有出準(zhǔn)確率高、穩(wěn)定性高、應(yīng)用范圍廣等特點(diǎn),在混紡織物混紡比檢測領(lǐng)域表現(xiàn)出巨大潛力,在紡織品檢測行業(yè)中受到了密切關(guān)注。

綜述分子生物技術(shù)、光譜技術(shù)和計(jì)算機(jī)視覺技術(shù)在混紡織物混紡比檢測領(lǐng)域的最新發(fā)展,介紹上述技術(shù)在羊毛/羊絨類、棉/麻類織物混紡比檢測方面的研究進(jìn)展,為混紡比檢測技術(shù)的研究和實(shí)際應(yīng)用提供參考。

1 混紡織物混紡比檢測前沿技術(shù)研究進(jìn)展

1.1 分子生物技術(shù)

隨著生命科學(xué)的發(fā)展,人們嘗試將分子生物技術(shù)應(yīng)用于混紡織物混紡比檢測,根據(jù)纖維生物分子特征差異來檢測特定纖維的量,從而計(jì)算出不同纖維的含量比例[6]。根據(jù)其在混紡比檢測應(yīng)用中的分子類型,主要分為脫氧核糖核酸技術(shù)和蛋白質(zhì)生物質(zhì)譜分析技術(shù)。分子生物技術(shù)只適用于纖維中含有生物分子的情況,有機(jī)天然纖維均滿足此條件,普通化學(xué)纖維不適用,但如果化學(xué)纖維在制造過程中添加了蛋白質(zhì)或其他生物分子,則同樣可以使用分子生物技術(shù)進(jìn)行檢測。

1.1.1 DNA技術(shù)

脫氧核糖核酸(DNA)技術(shù)根據(jù)不同類型纖維含有的特定DNA 序列進(jìn)行識別和定量分析[7]。為了增加DNA 含量,提高識別精度,一般需要引入熒光聚合酶鏈?zhǔn)椒磻?yīng)(PCR)技術(shù),使用特定的DNA 引物或探針對目標(biāo)DNA 片段進(jìn)行體外擴(kuò)增,提高檢測的敏感性。費(fèi)靜等[8]針對羊絨、牦牛絨的線粒體基因序列,挑選了12sr RNA 基因區(qū)域,設(shè)計(jì)6 個(gè)引物和探針,通過實(shí)時(shí)熒光PCR 技術(shù),利用熒光信號監(jiān)控DNA 擴(kuò)增,建立了山羊絨、牦牛絨含量與其DNA 含量之間的關(guān)系,且該方法的重復(fù)性和再現(xiàn)性為3.4%和4.8%,能夠?qū)崿F(xiàn)定量檢測。

1.1.2 蛋白質(zhì)生物質(zhì)譜分析技術(shù)

作為纖維的主要組成部分,角蛋白可以被特定蛋白質(zhì)標(biāo)記物標(biāo)記,由基質(zhì)輔助激光解吸/飛行時(shí)間質(zhì)譜分析技術(shù)(MALDI-TOF-MS)[9]分析樣本中蛋白質(zhì)的組成,從而實(shí)現(xiàn)混紡比的檢測。這種方法具有高靈敏度和高準(zhǔn)確性。費(fèi)靜等[10]將羊毛/羊絨混合物提取并純化的蛋白質(zhì)進(jìn)一步酶解,結(jié)合MALDI-TOF-MS生物質(zhì)譜分析技術(shù)分析多肽,得到羊毛含量與羊毛、山羊絨的質(zhì)譜特征峰m/z2664、2691峰強(qiáng)度比值之間的關(guān)系,構(gòu)建了羊絨、羊毛定量標(biāo)準(zhǔn)曲線,可用于羊毛/羊絨織物混紡比檢測,靈敏度在5%左右。相較于DNA技術(shù),蛋白質(zhì)分析技術(shù)具有很高的特異性。不過,從混紡樣本中提取蛋白質(zhì)步驟繁瑣,需要經(jīng)過粉碎、溶解和純化等處理,容易產(chǎn)生誤差,導(dǎo)致準(zhǔn)確率降低。

1.2 光譜技術(shù)

與分子生物技術(shù)相比,光譜技術(shù)適用面更廣,是混紡比檢測領(lǐng)域的一大進(jìn)展。其基于不同纖維材料在不同波長下的吸收、散射或發(fā)射光譜特性來進(jìn)行區(qū)分和定量分析,通過光譜成像儀器采集纖維光譜數(shù)據(jù),利用光譜圖像與纖維含量之間的關(guān)系,建立定量模型來確定混紡織物的混紡比。在定量分析過程中,圖譜處理是關(guān)鍵,往往由于數(shù)據(jù)的復(fù)雜性,增加了檢測難度。混紡比檢測光譜技術(shù)主要有近紅外光譜法、傅立葉變換紅外光譜法、變換衰減全反射紅外光譜法等,目前最常使用的是紅外光譜法。沈瓊[11]將采集樣品的近紅外光譜圖和偏最小二乘法[12]結(jié)合,建立了棉/氨混紡比定量模型,此模型具有良好的穩(wěn)定性和重復(fù)性。程鑫橋等[13]使用傅里葉變換紅外光譜儀采集羊毛和腈綸纖維粉末在波數(shù)4000～400 cm-1的紅外光譜,用偏最小二乘法建立羊毛/腈綸混合物的定量分析數(shù)學(xué)模型,通過檢驗(yàn),誤差在-2.17%～1.70%之間。魏子涵等[14]建立了滌綸/棉、滌綸/羊毛、滌綸/錦綸、蠶絲/棉和滌綸/黏膠等純紡及混紡織物的傅里葉變換衰減全反射紅外光譜庫,能用于檢測相應(yīng)混紡織物的混紡比。與傅立葉變換紅外光譜法相比,變換衰減全反射紅外光譜法具有不需要對樣品進(jìn)行額外處理的優(yōu)點(diǎn),但僅適用于織物表面成分分析,對于織物纖維組成表里有差異的織物并不適用。

1.3 計(jì)算機(jī)視覺技術(shù)

隨著計(jì)算機(jī)技術(shù)的發(fā)展,計(jì)算機(jī)視覺技術(shù)在混紡織物混紡比檢測方面體現(xiàn)出了巨大的潛在優(yōu)勢。將混紡織物拆解成纖維后拍攝顯微圖像,通過計(jì)算機(jī)視覺技術(shù)對顯微圖像進(jìn)行處理,識別出纖維類型并計(jì)數(shù)其數(shù)量,從而計(jì)算出織物的混紡比例。與分子生物技術(shù)和光譜技術(shù)相比,具有設(shè)備簡單、操作要求低等優(yōu)點(diǎn)。計(jì)算機(jī)視覺技術(shù)對纖維圖像分析和特征提取所用的技術(shù)方法主要有機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。

1.3.1 機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)通過人為設(shè)計(jì)和選擇特征來表示數(shù)據(jù),運(yùn)用不同方法搭建檢測系統(tǒng)對纖維圖像數(shù)據(jù)進(jìn)行學(xué)習(xí),將待測試樣的纖維圖像輸入訓(xùn)練好的檢測系統(tǒng)即可得到混紡比結(jié)果。機(jī)器學(xué)習(xí)通常需要專業(yè)知識和經(jīng)驗(yàn),難度較大,但在一些小規(guī)模數(shù)據(jù)或特征維度較高的纖維圖像檢測上效果較好。機(jī)器學(xué)習(xí)方法主要有支持向量機(jī)[15]、貝葉斯分類、反向傳播(BP)神經(jīng)網(wǎng)絡(luò)等。

支持向量機(jī)(SVM)是指在訓(xùn)練的纖維數(shù)據(jù)集樣本中,找到一個(gè)最佳的分界線來正確區(qū)分不同種類的纖維或面料[16]。陶偉森等[17]以羊毛/羊絨混紡織物為研究對象,通過圖像處理獲得纖維直徑、鱗片密度、鱗片面積、相對面積、能量、對比度等12個(gè)特征參數(shù)。經(jīng)過以傳統(tǒng)支持向量機(jī)(C-SVM)為分類模型,徑向基(RBF)函數(shù)為核函數(shù)的SVM 訓(xùn)練,羊毛/羊絨識別正確率為93.1%。支持向量機(jī)魯棒性好,支持多類識別,具有優(yōu)良的泛化能力;但核函數(shù)類型的選擇以及數(shù)據(jù)量過大都會影響支持向量機(jī)的性能,進(jìn)而影響識別分類結(jié)果。

貝葉斯分類基于貝葉斯定理,根據(jù)設(shè)置的先驗(yàn)概率和由數(shù)據(jù)訓(xùn)練統(tǒng)計(jì)到每個(gè)特征的條件概率來計(jì)算后驗(yàn)概率,選擇后驗(yàn)概率高的作為預(yù)測結(jié)果[18]。該方法的局限性在于先驗(yàn)概率的選擇會影響檢測結(jié)果。WEN Y X 等[19]選取羊毛和羊絨的鱗片直徑、高度及其比例構(gòu)成三維特征向量,用于貝葉斯分類模型進(jìn)行識別,利用自主研制的圖像采集系統(tǒng)收集并處理1000張羊毛和羊絨圖像,建立了一個(gè)識別羊毛和羊絨的專家識別系統(tǒng);用五重交叉驗(yàn)證纖維分類,識別準(zhǔn)確率分別為93.0%、95.4%。

BP神經(jīng)網(wǎng)絡(luò)[20]作為一種簡單且用于解決分類和回歸問題的神經(jīng)網(wǎng)絡(luò)模型,可以通過反向傳播算法來逐步調(diào)整權(quán)重,從而最小化預(yù)測值與實(shí)際值之間的誤差。趙宇濤等[21]將由圖像預(yù)處理后的纖維輪廓提取直徑、扭曲度、充滿度特征值,輸入到BP神經(jīng)網(wǎng)絡(luò)中訓(xùn)練,研發(fā)出棉/亞麻自動檢測系統(tǒng)。系統(tǒng)在759個(gè)纖維圖像測試集下,識別正確率高達(dá)94.4%。BP神經(jīng)網(wǎng)絡(luò)易受試驗(yàn)樣本影響,在處理復(fù)雜數(shù)據(jù)和大規(guī)模問題時(shí),需要使用其他更復(fù)雜的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

1.3.2 深度學(xué)習(xí)

深度學(xué)習(xí)技術(shù)是將纖維數(shù)據(jù)集和不同目標(biāo)檢測算法結(jié)合形成模型,通過模型訓(xùn)練,自動學(xué)習(xí)樣本中的特征和圖像,以達(dá)到精準(zhǔn)識別的目的。常用的目標(biāo)檢測算法分為雙階段目標(biāo)檢測算法和單階段目標(biāo)檢測算法,用于檢測圖像中目標(biāo)物體的位置和類別,適用的纖維范圍較為廣泛,但需要大規(guī)模數(shù)據(jù)量來支持訓(xùn)練。

以區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(R-CNN)系列為代表的雙階段檢測算法基于候選區(qū)域目標(biāo)檢測[22],算法通過網(wǎng)絡(luò)生成多個(gè)可能包含目標(biāo)物體的候選框,之后送入一個(gè)分類器以檢查候選框內(nèi)是否存在目標(biāo)物體并識別出物體的類別,具有檢測精度高的特點(diǎn)。肖登輝等[23]采集了棉、麻纖維圖像3200 張,對建立的Faster R-CNN模型進(jìn)行訓(xùn)練,模型評價(jià)指標(biāo)平均精度均值(m AP)達(dá)到了0.905。從明芳等[24]采用Mask R-CNN 卷積神經(jīng)網(wǎng)絡(luò)在語義分割的同時(shí)實(shí)現(xiàn)羊絨、羊毛識別和預(yù)測,檢測結(jié)果一致性在95%以上,提高了處理效率。

雙階段目標(biāo)檢測算法框架相對靈活,有較好的泛化能力,但計(jì)算量高、復(fù)雜,難以處理小目標(biāo),不適合實(shí)時(shí)檢測應(yīng)用。單階段目標(biāo)檢測算法[25]基于邊界框的回歸分析,輸入圖像經(jīng)過層層卷積直接得到目標(biāo)檢測結(jié)果,算法省略了候選區(qū)域生成階段,結(jié)構(gòu)更精簡,檢測速度快。秦介垚等[26]在面積測量上,利用透反射結(jié)合的方法采集非包埋法纖維橫截面輪廓,建立滑動窗口遍歷計(jì)算;在根數(shù)識別上,將YOLOv5算法[27]中的普通卷積替換為可形變卷積,開發(fā)出混紡織物智能識別模型,該模型在100份任意混紡比織物樣品檢測中偏差結(jié)果都處于合理范圍內(nèi)。

2 前沿技術(shù)在混紡比檢測上的應(yīng)用進(jìn)展

2.1 羊毛/羊絨類

羊毛和羊絨纖維形態(tài)特征和鱗片結(jié)構(gòu)相似,憑借肉眼觀察區(qū)分難度較大,兩者的燃燒、溶解特性也相似,傳統(tǒng)方法檢測羊毛/羊絨織物混紡比難度較大,但分子生物技術(shù)和計(jì)算機(jī)視覺技術(shù)近年來在此領(lǐng)域取得了較好的進(jìn)展。在分子生物技術(shù)上,李典典[28]使用常規(guī)酚-氯仿法結(jié)合固相萃取技術(shù)提取混合樣中的DNA,結(jié)合熒光PCR 法得到混合物中羊毛、羊絨含量和它們線粒體DNA 之間的關(guān)系,計(jì)算5種不同比例混紡織物樣品的實(shí)測平均值均與理論值較接近。在計(jì)算機(jī)視覺技術(shù)方面,劉爽等[29]利用Canny算法、鱗片骨架法和灰度共生矩提取了羊毛、羊絨形態(tài)及紋理特征共16個(gè)數(shù)據(jù),將其傳入到3層BP神經(jīng)網(wǎng)絡(luò)模型中訓(xùn)練以實(shí)現(xiàn)分類識別,在300根纖維測試集的情況下,模型的總體識別率為93.3%。游光明等[30]根據(jù)羊絨的鱗片表面光滑度和光澤優(yōu)于羊毛鱗片的特點(diǎn)也開發(fā)了基于計(jì)算機(jī)視覺技術(shù)的羊毛/羊絨混紡產(chǎn)品的定量分析智能軟件,準(zhǔn)確率偏差不超過5.0%。

2.2 棉/麻類

棉/麻類混紡織物無法使用化學(xué)溶解法檢測混紡比,只能采用人工肉眼識別法,使用神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)可以有效降低顯微鏡觀察法帶來的誤差。劉瀚旗等[31]在棉/麻混紡紗混紡比檢測上對比探究了YOLOv3和Faster R-CNN 2種神經(jīng)網(wǎng)絡(luò)模型,通過在學(xué)習(xí)率以及數(shù)據(jù)增強(qiáng)上的改良,YOLOv3 的m AP 達(dá)到0.973,檢測準(zhǔn)確率和檢測耗時(shí)都明顯優(yōu)于Faster R-CNN。潘全等[32]將深度學(xué)習(xí)網(wǎng)絡(luò)模型Resent-18與Mask RCNN 結(jié)合,建立了具有高準(zhǔn)確度的麻/棉自動識別與采集分析系統(tǒng)。該系統(tǒng)的控制模塊調(diào)動高精度電動平臺自動三軸全覆蓋掃描纖維圖像,符合算法清晰度要求的圖像被傳入訓(xùn)練后的Resent-18模型中以識別纖維類型,通過Mask RCNN 網(wǎng)絡(luò)模型定位圖像中纖維的位置信息,結(jié)合輪廓計(jì)算纖維面積,混紡比檢測誤差在5%以內(nèi)。

3 結(jié)束語

混紡比檢測能夠測量混紡織物中各組分的纖維含量,是控制織物質(zhì)量和性能的重要途徑。傳統(tǒng)的混紡織物混紡比檢測技術(shù)需要使用化學(xué)藥品,檢測時(shí)間長,操作要求高,費(fèi)時(shí)費(fèi)力。隨著科技的發(fā)展,一些先進(jìn)的檢測技術(shù)逐漸被應(yīng)用于混紡織物混紡比檢測領(lǐng)域,表現(xiàn)出綠色環(huán)保、智能高效、穩(wěn)定可靠的特點(diǎn),引起了檢測行業(yè)研究人員的高度關(guān)注,具有良好的發(fā)展前景。隨著各種前沿技術(shù)的持續(xù)發(fā)展和完善,未來各種技術(shù)間將有進(jìn)一步融合的發(fā)展趨勢:(1)前沿技術(shù)與傳統(tǒng)技術(shù)相融合,充分利用傳統(tǒng)檢測技術(shù)在獲取纖維物理特征、化學(xué)特性、圖像信息方面的優(yōu)勢,滿足精細(xì)化檢測的需求;(2)不同前沿檢測技術(shù)間的融合,多組分混紡織物比較復(fù)雜和多樣,僅靠單一的前沿技術(shù)會有局限性,將光譜技術(shù)、計(jì)算機(jī)視覺技術(shù)相結(jié)合,構(gòu)建多模態(tài)檢測系統(tǒng),使檢測方法更具通用性,將為混紡織物混紡比檢測提供更為全面的解決思路。