黃孟強, 匡文劍, 劉 向, 何 良

1. 南京信息工程大學電子與信息工程學院, 江蘇 南京 210044

2. 南京信息工程大學物理與光電工程學院, 江蘇 南京 210044

3. 太譜(蘇州)紡織科技有限公司, 江蘇 蘇州 215159

4. 江蘇陽光集團, 江蘇 江陰 214426

引 言

作為決定產(chǎn)品價值的主要指標, 紡織品纖維成分和含量一直是生產(chǎn)者、 消費者和各級市場監(jiān)管部門十分關(guān)心的問題[1]。 國內(nèi)外為保護消費者的合法權(quán)益, 頒布相應法令規(guī)定紡織品必須標注纖維成分及其含量[2]。 但在實際生產(chǎn)和市場交易中, 紡織品的以次充好、 虛假聲明和摻假情況等問題也并不少見。 因此, 紡織品纖維含量的定量檢測一直都是眾多檢測項目中極其重要的一環(huán)。 現(xiàn)存的紡織品纖維檢測方法(燃燒法、 溶解法等), 不僅檢測周期長, 檢測環(huán)境要求高, 還存在污染環(huán)境的問題[3]。 研究一種高效、 便捷以及環(huán)保的檢測方法具有重要意義。

近紅外光譜是電磁波譜的一部分, 波長范圍為780～2 526 nm, 所涉及的化學鍵通常是R—H(C—H、 O—H、 N—H、 S—H)[4-5], 利用其伸縮振動倍頻和合頻形成近紅外區(qū)的吸收或反射光譜, 結(jié)合化學計量學方法, 可以建立樣品濃度或含量與光譜之間的校正模型。 化學計量學方法校準后, 近紅外光譜分析可以對樣品進行簡單高效的檢測。 光譜分析結(jié)合深度學習已在食品分析[6]、 農(nóng)產(chǎn)品質(zhì)量檢測[7]、 和醫(yī)療[8]等許多領(lǐng)域得到了廣泛應用。 目前, 光譜分析結(jié)合深度學習也正逐步成為紡織品檢測領(lǐng)域的常規(guī)分析技術(shù), 用于紡織品纖維的分類與含量檢測[9-10]。 Yang[11]等通過對比四種光譜儀性能之后, 建立偏最小二乘校正模型對摻有棉的真絲純度進行了快速定量分析。 Huang[12]等通過對光譜數(shù)據(jù)進行預處理后, 進一步改進PLS模型, 實現(xiàn)了混紡樣品中亞麻含量的預測。 上述研究在使用經(jīng)典機器學習算法的同時僅能實現(xiàn)混紡樣品中某一種纖維成分的定量分析。 在廢舊紡織品回收領(lǐng)域, 多采用深度學習結(jié)合光譜分析實現(xiàn)混紡樣品的檢測與分類[13-14]。 然而, 針對近紅外光譜分析結(jié)合深度學習實現(xiàn)纖維成分的檢測研究相對較少, 經(jīng)典機器學習方法在面對混紡織品中多種纖維含量的同時預測時顯得乏力。

采用便攜式近紅外光譜儀采集羊毛/滌綸/棉混紡織品共計645個樣品的近紅外反射光譜數(shù)據(jù)。 選擇合適的光譜預處理辦法結(jié)合1D-CNN建立定量檢測模型, 用于預測棉/滌綸/羊毛混紡織品中各種纖維含量。 所提出的模型可以有效檢測棉/滌綸/羊毛混紡織品中各種纖維含量, 為市場上快速、 無損檢測混紡織品中纖維含量提供了可行的辦法。

1 實驗部分

1.1 儀器與樣品

由太譜(蘇州)紡織科技有限公司提供Texpe T1紅外光譜分析儀, 采用漫反射方式對紡織品纖維含量進行檢測。 儀器光源為鹵鎢燈, 配有鋁合金反射罩和銫鎢青銅紅外吸光阱, FPI紅外光譜傳感器波長范圍1 550～1 850 nm, 光譜分辨率為5 nm, 采用24位高精度采樣, 包含溫度動態(tài)補償校準, 整個系統(tǒng)開發(fā)流程如圖1(a)所示。 單個樣本掃描時間0.5 s, 整機質(zhì)量小于500 g, 可單手操作。 紅外光譜分析儀實物圖如圖1(b)所示。

由江蘇陽光集團提供的羊毛/滌綸、 棉/滌綸和羊毛/滌綸/棉樣品共計645個混紡織品為研究對象, 樣品涵蓋黑色、 灰色、 紅色、 黃色、 青色等各個顏色。 選取507個樣本建立定量校正模型, 以138個樣本用于驗證模型泛化能力。 部分樣品展示如圖1(c)所示。

1.2 方法

為了盡量擬合現(xiàn)實生活中的測試環(huán)境, 選擇實驗環(huán)境溫度10～30 ℃, 相對濕度30%～70%。 將紅外光譜儀預熱5 min, 保證采集的紅外光譜數(shù)據(jù)穩(wěn)定、 準確。 樣品平鋪在桌面上, 折疊成兩層, 避免光源透射紡織品導致引入背景反射光, 測量紅外漫反射光譜。

1.3 數(shù)據(jù)預處理和建模

在測量過程中會因為一些物理因素, 如樣品狀態(tài)、 檢測環(huán)境以及測量條件等對紅外光譜數(shù)據(jù)造成干擾, 影響建模效果, 本研究采用線性函數(shù)歸一化(Normalization)、 多元散射校正(MSC)、 標準正態(tài)變量變換(SNV)、 中值濾波、 SG平滑中的單個或多個預處理組合來消除非目標因素對建模的影響。 其中線性函數(shù)歸一化, 可以將一條光譜數(shù)據(jù)映射至[0, 1], 以此來減少無關(guān)信息的干擾[15], 歸一化的公式如式(1)。

(1)

經(jīng)預處理之后的光譜數(shù)據(jù)結(jié)合所提出的1D-CNN回歸算法實現(xiàn)混紡織品中各種纖維含量的預測。 同時對比3種經(jīng)典機器學習回歸算法, 即偏最小二乘回歸(PLSR, 主因子數(shù)為16)、 梯度提升回歸(GBR)、 支持向量回歸(SVR)。 所有的模型都在相同的訓練集上進行訓練, 相同的測試集上進行評估。 結(jié)果表明, 預處理Normalization+SG平滑之下結(jié)合1D-CNN校正模型之后, 模型效果達到最優(yōu)。

1.4 模型評價指標

(2)

(3)

(4)

2 結(jié)果與討論

2.1 光譜特征曲線

經(jīng)過便攜式紅外光譜儀所測的羊毛/滌綸/棉紡織品中部分紡織品原始的近紅外光譜如圖2(a)所示。 為減少與特征無關(guān)的信息的干擾, 將光譜數(shù)據(jù)進行歸一化, 可以得到如圖2(b), 歸一化之后的光譜可以消除光譜強度差異所帶來的干擾。

圖2 部分樣品原始數(shù)據(jù)光譜(a), 部分樣品歸一化后光譜(b)

2.2 一維卷積神經(jīng)網(wǎng)絡模型的建立

卷積神經(jīng)網(wǎng)絡(CNN)是具有一定深度且可以通過梯度下降算法優(yōu)化參數(shù)的前饋神經(jīng)網(wǎng)絡(feedforward neural networks)。 常常用于圖像處理方向, 處理的圖像多為二維和三維圖像數(shù)據(jù)[16-17]。 在處理紅外光譜數(shù)據(jù)時, 對一維光譜數(shù)據(jù)進行卷積處理, 通過1D-CNN實現(xiàn)光譜特征、 光譜有效信息的提取以及非線性光譜數(shù)據(jù)的處理。 本研究使用1D-CNN設(shè)計定量校正模型用于處理光譜數(shù)據(jù), 光譜數(shù)據(jù)共計61個波段, 共使用7層網(wǎng)絡建立模型, 主要包含輸入層、 池化、 卷積層、 全連接層和輸出層。 1D-CNN模型的建立具體步驟如下:

(1)在將數(shù)據(jù)輸入到卷積網(wǎng)絡之前, 由于一維卷積的輸入為3D張量, 先將數(shù)據(jù)進行預處理, 再將數(shù)據(jù)擴充維度。

(2)分別使用16個3×1大小的卷積核和64個3×1大小的卷積核, 先構(gòu)建兩層卷積層, 提取波段特征。

(3)采用3×1大小的max-pooling適合于獲得光譜數(shù)據(jù)的局部最大值, 得到的下采樣濾波器矩陣范圍內(nèi)的最大特征值, 近紅外光譜的局部最大值代表了波形的峰值特征。

(4)再采用3層卷積層, 大小均采用64個3×1的卷積核進一步提取波段特征, 獲取光譜數(shù)據(jù)的高維特征。

(5)經(jīng)過上述操作之后得到64個15×1大小的特征向量, 連接到Flatten層, 將卷積層提取的高維數(shù)據(jù)在Flatten層平鋪展開, 最后再連接3個輸出節(jié)點, 映射輸出棉、 滌綸、 羊毛的含量。 具體網(wǎng)絡結(jié)構(gòu)如圖3所示。

圖3 1D-CNN網(wǎng)絡結(jié)構(gòu)

在上述的輸入層、 卷積層和全連接層均采用Relu激活函數(shù)即整流線性單元, 見式(5), 而在輸出層采用linear激活函數(shù)即線性激活函數(shù)。

f(x)=max(0,x)

(5)

此激活函數(shù)使得網(wǎng)絡具有稀疏性, 并減少參數(shù)的依賴關(guān)系, 可以有效防止過擬合的發(fā)生, 同時增加了各層的非線性關(guān)系, 使網(wǎng)絡能夠?qū)W習到光譜數(shù)據(jù)中更高維度的數(shù)據(jù)特征, 增強學習能力。 而輸出層的線性激活函數(shù)可使輸出含量直接映射。

2.3 相同預處理下不同模型效果對比

為建立一種準確、 高效預測紡織品纖維含量的模型, 選用經(jīng)典機器學習回歸算法建立模型。 使用相同的光譜數(shù)據(jù)預處理即Normalization和SNV的組合, 確保光譜數(shù)據(jù)在放入模型之前的一致性, 保證模型作為決定因素。 分別使用了PLSR(n_components=16)、 GBR、 SVR以及1D-CNN去構(gòu)建紡織品各種纖維含量的預測模型。 并對4種模型預測結(jié)果進行對比分析。 PLSR、 SVR和GBR, 常常只能對一種含量進行預測, 因此使用sklearn庫中的MultioutputRegressor對回歸算法進行包裝可以實現(xiàn)多種纖維含量的預測。 在相同的訓練集訓練之后, 對比幾種模型在測試集上的表現(xiàn)[圖4(a—d)]。 可以看出, 1D-CNN模型決定系數(shù)最高為0.989, MAE為1.25, RMSE為3.55。 另外2種機器學習模型決定系數(shù)可以達到0.90(PLSR除外)以上、 MAE、 RMSE指標均在可接受范圍之內(nèi)。 但模型最高決定系數(shù)R-Squared只有0.938, 預測在個別成分上存在較大誤差, 模型的泛化能力有待提高。

在相同的預處理之下, 所提出的1D-CNN模型效果最優(yōu), 具備較強的泛化能力。 3種經(jīng)典機器學習算法在處理光譜有效信息以及提取光譜特征的結(jié)果欠佳。 在測量過程中, 因為一些物理因素造成光譜數(shù)據(jù)存在非線性的情況時, 這3種算法存在一定局限性。

2.4 各種光譜預處理方法對1D-CNN模型的影響

對比分析不同模型在紡織品纖維含量的預測效果, 其中1D-CNN模型最佳, 同時分析各種光譜預處理方法對1D-CNN建模的影響, 從而確定最適合1D-CNN模型的預處理方法。 預處理主要包含Normalization、 SNV、 MSC、 SG平滑(窗口大小為9, 多項式擬合階數(shù)為7)、 中值濾波(窗口大小為3)中一種或多種的組合來分析對模型的影響。 通過對表1分析, 可以看出直接對原始數(shù)據(jù)建模, 1D-CNN模型表現(xiàn)不佳, 模型在訓練集和測試集上的決定系數(shù)分別為0.675和0.588。 因此應先對數(shù)據(jù)進行歸一化, 以減少無關(guān)信息對光譜特征的影響, 經(jīng)過歸一化之后的數(shù)據(jù)在模型的表現(xiàn)上相比于原始數(shù)據(jù)有很大提高, 模型內(nèi)外決定系數(shù)R-Squared分別達到了0.992和0.989。 不同預處理之下, 模型結(jié)果確實會有差異。 由表1的結(jié)果表明: 采用歸一化+ SG平滑(窗口大小為9, 多項式擬合階數(shù)為7)結(jié)合1D-CNN所得到的模型效果最優(yōu), 模型在訓練集上的決定系數(shù)R-Squared為0.998、 MAE為0.62、 RMSE為1.31, 模型在測試集上的決定系數(shù)R-Squared為0.996、 MAE為0.80、 RMSE為2.01, 而模型在其他預處理的情況下, 模型誤差反而增加, 說明紡織品的紅外光譜在經(jīng)過歸一化和平滑處理之后, 就可以用1D-CNN提取光譜特征進行建模, 而在此基礎(chǔ)之上再結(jié)合其他預處理方法, 存在丟失光譜信息的可能。 在1D-CNN模型下, 采用歸一化+SG平滑處理模型效果最優(yōu)。

表1 不同預處理對1D-CNN模型的影響

2.5 預測結(jié)果

本網(wǎng)絡模型采用的損失函數(shù)為MAE[式(3)], 當在連續(xù)梯度迭代中, 損失值變小, 生成的網(wǎng)絡將收斂到極值, 模型呈現(xiàn)出最佳的預測能力。 模型的epoch設(shè)置為1 000次, 保證模型穩(wěn)定、 準確的預測能力。 如圖5(b)、 (d)分別為R-Squared和損失值隨著epoch的趨勢圖。 從局部放大圖可以看出, 經(jīng)過600次epoch后, 模型在訓練集上的決定系數(shù)已趨于穩(wěn)定且接近于1.00, 但從損失曲線可以看出, 損失值在隨著epoch的增加還在逐漸減小, 逐漸趨于最優(yōu)。 當epoch=1 000時, 模型的決定系數(shù)和損失值在訓練集和測試集都趨于穩(wěn)定, 訓練集上決定系數(shù)R-Squared為0.998, 損失值為0.62。 測試集上決定系數(shù)R-Squared為0.996, 損失值為0.80。 模型表現(xiàn)出優(yōu)良的預測能力, 如圖5(a)、 (c)所示, 為3種纖維含量的部分預測值, 其中圖5(c)為28個樣品纖維含量的預測值、 圖5(d)為28個樣品纖維含量的真實值。 可以看出, 預測誤差較小, 模型具有較強的泛化能力。

圖5 部分樣本預測值(a), 決定系數(shù)隨epoch的變化(b), 部分樣本真實值(c), 損失隨epoch的變化(d)

3 結(jié) 論

通過對紅外光譜儀采集的羊毛/滌綸、 棉/滌綸以及羊毛/滌綸/棉混紡織品的光譜數(shù)據(jù)進行預處理, 結(jié)合所提出的1D-CNN建立棉/滌綸/羊毛混紡織品中各種纖維含量的定量檢測模型。 以此達到市場上快速、 無損且準確預測各種纖維含量的目的。 結(jié)果表明: 針對經(jīng)典的機器學習模型, 雖然模型在訓練集表現(xiàn)良好, 決定系數(shù)在0.90以上, 但模型泛化能力較差。 而經(jīng)過預處理之后的光譜數(shù)據(jù)結(jié)合一維卷積神經(jīng)網(wǎng)絡(1D-CNN), 模型在測試集表現(xiàn)出優(yōu)良的預測能力, 具有較好的泛化能力。 最終, Normalization+SG平滑(窗口大小為9, 多項式擬合階數(shù)為7)再結(jié)合1D-CNN模型可以實現(xiàn)同時對紡織品多種纖維含量的有效預測, 模型決定系數(shù)R-Squared可達0.998、 MAE為0.62、 RMSE為1.31, 測試集上決定系數(shù)R-Squared為0.996、 MAE為0.80、 RMSE為2.01。 可以實現(xiàn)紡織品多種纖維含量的有效預測, 有較大的應用價值, 同時為其他混紡纖維含量的定量分析提供了新的思路。