BE1027303B1

BE1027303B1 - Verbeterde bepaling van de textielvezelsamenstellingen

Info

Publication number: BE1027303B1
Application number: BE20195338A
Authority: BE
Inventors: Peter Vandeputte; Frank Vandeputte; Maurits Vandeputte
Original assignee: Valvan Baling Systems Nv
Priority date: 2019-05-23
Filing date: 2019-05-23
Publication date: 2020-12-21
Also published as: BE1027303A1; EP3973270A1; CN114008443A; US20220214273A1; WO2020234466A1

Abstract

De huidige uitvinding heeft tot doel de vezelsamenstelling van een textielmonster te achterhalen. Het monster wordt belicht met nabij-infrarood licht (NIR-licht). Het gereflecteerde NIR-licht wordt opgevangen. Er wordt een vector met de spectrale waarden van het opgevangen licht aangemaakt. Deze vector dient als invoer voor een diep neuraal netwerk (DNN). Het DNN is samengesteld uit een opeenvolging van knooppuntlagen, met name uit een invoerlaag, minstens twee middenlagen (verborgen) en een uitvoerlaag. De knooppunten van dat meervoudig gelaagd netwerk zijn onderling met elkaar verbonden via verbindingslijnen. Voor elk van de vele verschillende soorten vezelmateriaal werkt het DNN een numerieke relatieve samenstellingshoeveelheid uit.

Description

VERBETERDE BEPALING VAN TEXTI ELVEZELSAMENSTELLI NGEN BE2019/5338 Technisch gebied De uitvinding heeft betrekking op het technisch gebied voor wat betreft het bepalen van de vezelsamenstelling van textielmonsters (GOIN 33/36) via spectroscopie, meer bepaald door Nabij-InfraRood Spectroscopie (NIRS) (GOIN 21/359). Achtergrond van de uitvinding Het aantal en de verscheidenheid van materialen in de textielproductie neemt steeds toe.

Textiele producten kunnen bestaan uit een mix van vezelmaterialen.

Een voorbeeld is een textielstof bestaande 50% katoen en 50% polyester, waarbij het katoen zorgt voor de zachtheid en het polyester voor de duurzaamheid.

Een tweede voorbeeld is een textielstof samengesteld uit 30% katoen en 70% polyester.

Nog een derde voorbeeld is een textielstof samengesteld uit 55% innen, 42% viscose en 3% spandex (elastaan). De gemiddelde vakman zal het weten te waarderen dat de samenstelling van textielproducten in gewichtspercentages wordt uitgedrukt.

De Ellen MacArthur Foundation heeft op 28 november 2017 een document uitgegeven, getiteld “A new textiles economy: Redesigning fashion’s future”. De hedendaagse geglobaliseerde consumptiemaatschappij wordt gekenmerkt door een overproductie van textielproducten terwijl het aanbod op de tweedehands markt in de derde-wereldeconomieën afneemt.

Recyclen is dus de boodschap willen we tot een circulaire economie komen.

Om te kunnen recyclen is een correcte classificatie van de textielvezelsamenstellingen heel belangrijk.

Om te kunnen komen tot hoogwaardige recyclage, zoals recyclage van vezels, polymeren en monomeren, zijn inzamelfracties waarvan de vezelsamenstelling is bekend cruciaal.

Zelfs bij het recyclen van afvaltextiel, waarbij verschillende stoffen worden gecombineerd om zo tot nieuwe kledingstukken te komen, is het noodzakelijk dat de vezelsamenstelling bekend is voor het correct etiketteren van het nieuwe kledingstuk en het correct vermelden van de onderhoudsinstructies.

De etiketten gebruiken om textiele producten naar samenstelling te classificeren is niet aangewezen. Al te vaak ontbreken de etiketten of zijn ze door het wassen onleesbaar. Daarenboven is de plaats waar de etiketten worden aangebracht niet gestandaardiseerd. Bij het automatisch classificeren en sorteren moet het lezen van hetgeen op de etiketten vermeld staat tegen elke prijs vermeden worden. Ook is het niet ondenkbaar dat per vergissing het verkeerde etiket op een kledingstuk werd bevestigd. Er bestaan verschillende tests om vezelsamenstellingen te bepalen. Zoals daar zijn de brandtest, de gevoelstest, de uiterlijktest, de microscopietest, de oplosbaarheidstest, de optische test, de dichtheidstest en de kleuringstest. De selectiviteit van deze tests is onvoldoende hoog en/of betreft het destructieve tests. Onderhavige uitvinding zoekt naar een alternatief voor bovenstaande tests. DE 199 20 592 Al openbaart de analyse van een vezelachtig textielmonster d.m.v. nabij-infrarood spectroscopie. Hierbij worden er kort na elkaar verschillende IR-metingen op het monster uitgevoerd. De resultaten van deze IR- metingen worden geëvalueerd via een kunstmatig neuraal netwerk (KNN) bestaande uit knooppunten en gewogen verbindingen. De afzonderlijke resultaten van het KNN worden aangewend om tot een globaal resultaat te komen, dat op zijn beurt wordt gebruikt om de precieze samenstelling van het monster te bepalen. US 8 190 551 B2 stelt een methode voor om via spectroscopie, chemometrische modellering en SIMCA (Soft Independent Modeling of Class Analogies), textielmonsters en onbekend textielmateriaal te classificeren in bekende categorieën. In deze methode wordt er naast het verzamelen van spectrale data — bij voorkeur de reflectiedata van diffuus nabij-infrarood licht — voor het aanmaken van een bibliotheek met bekende stofmonsters, voor het samenstellen van een databank met de analyses van de primaire component van elk type weefsel, ook nog gebruik gemaakt van de SIMCA-classificatietechniek om zo een onbekend stuk weefsel te kunnen classificeren met behulp van die databank. Met de SIMCA- methode kan worden uitgemaakt of een monster tot één, meerdere groepen of geen enkele groep behoort.

WO 2004/053 220 Al beschrijft een methode voor het bepalen van een textielparameter van een vervuild textielartikel dat behandeld dient te worden. Een bundel elektromagnetische stralen met een golflengtebereik tussen 783 en

1183 nm wordt op het oppervlak van een vervuild textielartikel gericht. De spectrale data van de reflectie van het oppervlak van het textielartikel wordt verzameld. Via multivariate analyse wordt dan de textielparameter bepaald door de spectrale data van die reflectie te vergelijken met de spectrale referentiedata afkomstig van een textielmateriaal dat als referentie wordt gebruikt. Volgens de methode van het patent US 8 190 551 B2 zou een stof samengesteld uit 30% katoen en 70% polyester geclassificeerd worden als een materiaal dat positief test op de aanwezigheid van katoen en polyester. Echter, bovenstaande methode is niet aangewezen om op een accurate wijze de numerieke relatieve samenstellingshoeveelheden te bepalen van elk van de vele verschillende soorten vezelmateriaal. Daarenboven lenen de methodes van de patenten DE 199 20 592 Al en WO 2004/053 220 Al zich ook niet tot het op een accurate wijze bepalen van de numerieke relatieve samenstellingshoeveelheden van elk van de vele verschillende soorten vezelmateriaal. Het doel van de onderhavige uitvinding is een oplossing te bieden voor ten minste enkele van bovenstaande problemen. Onderhavige uitvinding in het bijzonder stelt zich eerste doel om op een accurate wijze de numerieke relatieve samenstellingshoeveelheden te bepalen van elk van een verscheidenheid aan soorten vezelmaterialen. Een tweede doelstelling van de onderhavige uitvinding is het sorteren van textielmonsters (zoals kledingstukken) op hun samenstelling van vezelmateriaal, meer bepaald voor toepassingen waar een hoge verwerkingscapaciteit nodig is, zoals voor recyclage bijvoorbeeld.

Samenvatting van de uitvinding De onderhavige uitvinding heeft in een eerste aspect betrekking op een methode voor het bepalen van de vezelsamenstelling van een textielmonster volgens conclusie 1. De onderhavige uitvinding heeft in een tweede aspect betrekking op een apparatuur voor het bepalen van de vezelsamenstelling van een textielmonster volgens conclusie 14.

De onderhavige uitvinding heeft in een derde aspect betrekking op het toepassen van de methode zoals beschreven in het eerste aspect en/of het toepassen van de apparatuur zoals beschreven in het tweede aspect, voor :

e het sorteren van textielmonsters ; e Productiekwaliteitscontrole ; en/of e het inspecteren van samenstellingsetiketten.

De gemiddelde vakman zal het weten te waarderen dat specifieke en in het bijzonder voorkeur verdienende voorbeelden van een “numerieke relatieve samenstellingshoeveelheid” worden uitgedrukt in een gewichtspercentage of een gewichtsfractie.

Dankzij de onderhavige uitvinding is het mogelijk om op een accurate wijze de textielvezelsamenstelling te bepalen, vooral wanneer een grote verscheidenheid aan soorten vezelmaterialen en -samenstellingen wordt beoogd. De uitvinders stelden vast dat met een steeds groeiende verscheidenheid aan soorten vezelmaterialen en -samenstellingen, het trainen van een algemeen niet gestructureerd kunstmatig neuraal netwerk (KNN) niet enkel bijzonder moeilijk wordt maar ook voor een verslechtering van de classificatieresultaten zorgt. Door het toepassen van een diep neuraal netwerk (DNN) volgens de huidige conclusie, zijn de uitvinders erin geslaagd om zowel het trainingsproces van computerhulpmiddelen te vereenvoudigen als een algemeen niet gestructureerd KNN qua accuraatheid te overtreffen. Een algemeen niet gestructureerd kunstmatig neuraal voorbeeldnetwerk heeft een gewogen verbinding tussen twee willekeurige knooppunten (invoer-, uitvoer- en verborgen lagen), en eenzelfde aantal gewogen verbindingen als een DNN-netwerk. In de gedetailleerde beschrijving komen naast nog meer voordelen ook nog voordelen van — voorkeursuitvoeringsvormen aan bod.

Beschrijving van de figuren Figuur 1 geeft een schematische weergave van een uitvoeringsvorm van een apparatuur volgens de onderhavige uitvinding.

Figuur 2 geeft een schematische weergave van een uitvoeringsvorm van een gegevensverwerkingsalgoritme volgens de onderhavige uitvinding.

Figuren 3, 4 en 5 tonen voorbeeldspectra van textielmonsters ter illustratie van de verschillende kenmerken van een gegevensverwerkingsalgoritme volgens de onderhavige uitvinding.

Figuur 6 geeft een schematische weergave van een Uitvoeringsvorm van een BE2019/5338 apparatuur volgens de onderhavige uitvinding, geconfigureerd voor het sorteren van textielmonsters (zoals kledingstukken) op de vezelsamenstelling ervan. Gedetailleerde beschrijving van de uitvinding De onderhavige uitvinding betreft naast een methode en een apparatuur voor het bepalen van de vezelsamenstelling van een textielmonster ook nog de verschillende toepassingsmogelijkheden van de methode en/of de apparatuur. In het relevante hoofdstuk hierboven bevindt zich de samenvatting van de uitvinding. In hetgeen volgt, wordt de uitvinding in detail beschreven, worden de voorkeursuitvoeringsvormen besproken, en wordt de uitvinding verduidelijkt aan de hand van niet-limitatieve voorbeelden.

Uitlegging van de begrippen Tenzij anders uitgelegd zullen alle begrippen die gebruikt worden voor het openbaren van de uitvinding, met inbegrip van technische en wetenschappelijke begrippen, verwijzen naar de betekenis zoals die door een gemiddelde vakman algemeen wordt begrepen die vertrouwd is met het vakgebied waartoe deze uitvinding behoort. Daarnaast worden er ook nog termen nader verklaard voor een nog helderdere uiteenzetting van de onderhavige uitvinding. De hierna volgende termen, zoals hierin gebruikt, betekenen het volgende : “een”, “de” en “het”, zoals hierin gebruikt, verwijzen zowel naar het enkelvoud als het meervoud tenzij uit de context het tegenovergestelde duidelijk blijkt. Voorbeeld : “een compartiment” betekent zowel één als meerdere compartimenten, Met “ongeveer”, zoals hierin gebruikt en verwijzend naar een meetbare waarde zoals een parameter, een hoeveelheid, een bepaalde tijdsduur, en soortgelijke verwoordingen, wordt bedoeld schommelingen van + 20% of minder, bij voorkeur van + 10% of minder, of meer bij voorkeur van + 5% of minder, of nog meer bij voorkeur van + 1% of minder, en zelfs nog meer bij voorkeur van + 0,1% of minder, van de opgegeven waarde, op voorwaarde evenwel dat dergelijke schommelingen relevant zijn in het kader van de hier geopenbaarde uitvinding.

Echter, er mag niet vergeten worden dat de waarde waarnaar de modificator BE2019/5338 (modificeerder) “ongeveer” verwijst op zich ook al nader gespecificeerd wordt. “Bestaan uit”, “bestaande uit” en “bestaat uit”, zoals hierin gebruikt, zijn synoniem aan “omvatten”, “omvattende”, “omvat” of “bevatten”, “bevattende”, “bevat”, en zijn inclusieve begrippen (ook wel bekend als onbepaalde begrippen) die hetgeen volgt nader bepalen (zoals een component bijvoorbeeld) en die de aanwezigheid van extra, nog niet eerder genoemde componenten, kenmerken, elementen, stappen, die welbekend zijn in het vakgebied of daarin worden geopenbaard, niet uitsluiten of uitzonderen. Opsommingen van numerieke bereiken aan de hand van eindpunten omvatten naast de vermelde eindpunten ook alle tot die bereiken behorende gehele en gebroken getallen.

Aspecten van onderhavige uitvinding In een eerste aspect voorziet de onderhavige uitvinding in een methode voor het bepalen van de vezelsamenstelling van een textielmonster. Deze methode omvat diverse stappen. Het textielmonster wordt belicht met nabij-infrarood licht (NIR- licht). Het gereflecteerde NIR-licht wordt opgevangen. Er wordt een vector met de spectrale waarden van het opgevangen licht aangemaakt. Deze vector dient als invoer voor een diep neuraal netwerk (DNN). Het DNN bestaat uit een opeenvolging van knooppuntlagen. Deze opeenvolging omvat een invoerlaag, minstens twee middenlagen (verborgen lagen) en een uitvoerlaag. De knooppunten van dat meervoudig gelaagd netwerk zijn onderling met elkaar verbonden via verbindingslijnen. Bij elke verbindingslijn hoort een gewicht, we spreken dus van gewogen verbindingen. Output wordt verkregen vanuit het DNN. De uitvoer van elk van de vele verschillende soorten vezelmateriaal bestaat uit een numerieke relatieve samenstellingshoeveelheid. De gemiddelde vakman zal het weten te waarderen dat specifieke en in het bijzonder voorkeur verdienende voorbeelden van een “numerieke relatieve samenstellingshoeveelheid” worden uitgedrukt in een gewichtspercentage of een gewichtsfractie. In een tweede aspect voorziet de onderhavige uitvinding in een apparatuur voor het bepalen van de vezelsamenstelling van een textielmonster. De apparatuur bestaat uit een lichtbron, een spectrometer en een computersysteem. De lichtbron is geconfigureerd voor het belichten van het textielmonster met nabij-infrarood licht (NIR). De spectrometer is geconfigureerd voor het opvangen van het door het textielmonster gereflecteerde NIR-licht en voor het bepalen van een vector met de spectrale waarden van het opgevangen licht. Het computersysteem is voorzien van minstens één processor. Het computersysteem is geconfigureerd voor het ontvangen van de door de spectrometer uitgezonden vector, voor het invoeren van de vector in een diep neuraal netwerk (DNN) en voor het ontvangen van de uitvoer afkomstig van het DNN. Het DNN bestaat uit een opeenvolging van knooppuntlagen. Deze opeenvolging omvat een invoerlaag, minstens twee middenlagen (verborgen lagen) en een uitvoerlaag. De knooppunten van dat meervoudig gelaagd netwerk zijn onderling met elkaar verbonden via verbindingslijnen. Bij elke verbindingslijn hoort een gewicht, we spreken dus van gewogen verbindingen. De uitvoer van elk van de vele verschillende soorten vezelmateriaal bestaat uit een numerieke relatieve samenstellingshoeveelheid. De gemiddelde vakman zal het dan ook weten te waarderen dat de apparatuur, volgens het tweede aspect, geconfigureerd is voor het uitvoeren van de methode overeenkomstig het eerste aspect.

In een derde aspect kan de methode volgens aspect 1 en/of de apparatuur volgens aspect 2 worden ingezet voor een of meer van de volgende doelen : e het sorteren van textielmonsters (zoals kledingstukken, kleding, tapijten, tafelkleden of stoffen in het algemeen), voor bijvoorbeeld recyclagedoeleinden of industriële reiniging ; en/of e productiekwaliteitscontrole ; en/of e het inspecteren van samenstellingsetiketten (voor douanecontroles bijvoorbeeld).

De gemiddelde vakman zal het weten te waarderen dat de drie aspecten van de onderhavige uitvinding nu onderling verbonden zijn. Daarom kunnen alle hierna of hierboven beschreven kenmerken verband houden met elk aspect van de onderhavige uitvinding, ook wanneer ze beschreven werden samen met een bijzonder aspect.

Dankzij de onderhavige uitvinding is het mogelijk om op een accurate wijze de textielvezelsamenstelling te bepalen, vooral wanneer een grote verscheidenheid aan soorten vezelmaterialen en -samenstellingen wordt beoogd. Het DNN geeft als uitvoer kwantitatieve numerieke relatieve samenstellingshoeveelheden, zoals bijvoorbeeld gewichtspercentages, voor elk van de vele verschillende soorten BE2019/5338 vezelmateriaal.

Hierdoor kan er niet alleen bepaald worden of een bepaald soort vezelmateriaal aanwezig is, zoals bijvoorbeeld of het textielmonster katoen bevat, maar kan er ook een kwantitatief juiste raming van de relatieve hoeveelheid van dat bepaald vezelmateriaal worden gemaakt.

De uitvinders stelden vast dat met een steeds groeiende verscheidenheid aan soorten vezelmaterialen en - samenstellingen, het trainen van een algemeen niet gestructureerd kunstmatig neuraal netwerk (KNN) niet enkel bijzonder moeilijk wordt maar ook voor een verslechtering van de classificatieresultaten zorgt.

Door het toepassen van het DNN volgens de huidige conclusie, zijn de uitvinders erin geslaagd om zowel het trainginsproces van de computerhulpmiddelen te vereenvoudigen als een algemeen niet gestructureerd KNN qua accuraatheid te overtreffen.

Een algemeen niet gestructureerd kunstmatig neuraal voorbeeldnetwerk heeft een gewogen verbinding tussen twee willekeurige knooppunten (invoer-, uitvoer- en verborgen lagen), en eenzelfde aantal gewogen verbindingen als een DNN-netwerk.

Samenstelling van vezelmateriaal De gemiddelde vakman zal het weten te waarderen dat de aanduiding “percentages” voor de samenstelling van textielmateriaal verwijst naar “gewichtspercentages”, en dat er met de term “fracties” “gewichtsfracties” wordt bedoeld.

Zo bestaat een textielmonster samengesteld uit 30% katoen en 70% polyester bijvoorbeeld, uit 30 gewichtspercenten katoen en 70 gewichtspercenten polyester.

Of, bestaat een textielmonster samengesteld uit een katoenfractie van 0,30 en een polyesterfractie van 0,70 bijvoorbeeld, uit een gewichtsfractie katoen van 0,30 en een gewichtsfractie polyester van 0,70. Het soort vezelmateriaal kan zowel natuurlijk als synthetisch zijn.

In een voorkeursuitvoeringsvorm zijn de meeste soorten vezelmateriaal samengesteld uit minimaal één natuurlijke-vezelsoort en minimaal één kunstmatige-vezelsoort.

Hierna volgt een niet-limitatieve voorbeeldlijst met textielvezels : abaca, acetaat, acryl (polyacrylonitriel), aramide (kevlar (para-aramide)), Nomex (meta- aramide)), bamboe, banaan, kokos, katoen, diacetaat, hennep, jute, kapok, kenaf, leder, linnen (vlas), lyocell, modacryl, modal, olefin, piña, polyamide (nylon), polyester, polyethlyleen (Dyneema®), polyvinylalcohol (Vinylon F), polyvinylchloride (Vinyon), raffia, ramie, rayon (viscose), zijde, sisal, sojaporteïnen, spandex (lycra, elastaan), triacetaat, en mengelingen daarvan.

In een voorkeursuitvoeringsvorm zĳn de meeste soorten vezelmateriaal samengesteld uit minimaal twee, bij voorkeur minimaal drie, meer bij voorkeur minimaal vier, nog meer bij voorkeur minimaal vijf, en het meest bij voorkeur uit alle zes van de volgende vezelsoorten : katoen, wol, polyester, acryl, viscose en polyamide. De gemiddelde vakman zal het weten te waarderen dat met een “geslachtstype” zowel het geslacht in het algemeen kan worden bedoeld dan wel een specifieke soort van een geslacht. Voorbeeld : een polyamidesoort kan zowel naar een algemene dan wel een bepaalde nylonsoort verwijzen. Voorbeeld : een wolsoort kan zowel naar wol in het algemeen verwijzen dan wel specifiek naar alpaca-wol. Nabij-infrarood licht (NIR-licht) Nabij-infrarood licht (NIR-licht) verwijst in het algemeen naar licht met een golflengtebereik van 780 tot 2.500 nm. NIR-spectroscopie is een niet-destructieve analysemethode en maakt geen gebruik van reagentia en chemische hulpstoffen. NIR-licht dringt in het textielmonster door tot een diepte tussen 50 en 100 um. Het aldus gereflecteerde licht kan informatie verschaffen over zowel de oppervlakte- als de bulkeigenschappen van het textielmonster. Dankzij NIR kunnen er diverse spectrale waarden gelijktijdig bepaald worden.

Het opgevangen gereflecteerde licht bestaat uit diffuse en spiegelende (speculaire) reflectie. In een voorkeursuitvoeringsvorm wordt het diffuus gereflecteerd licht opgevangen. Het licht van de lichtbron kan door een lens gaan. Om te vermijden dat het door de lens teruggekaatste licht het geanalyseerde reflectiespectrum zou beïnvloeden, wordt de diffuse reflectie opgevangen en geanalyseerd. Hiertoe kunnen lichtbron en captatiesensor onder een verschillende hoek van het textielmonster worden opgesteld. De meest uitgesproken absorptiebanden in het NIR-gebied hebben betrekking op de overtonen die optreden in het golflengtegebied tussen 780 en 2.000 nm en op combinatiebanden van de fundamentele moleculaire trillingen van de -CH, -NH, - OH en -SH functionele groepen bij golflengtes tussen 1.900 en 2.500 nm. Het elektromagnetische spectrum tussen 1.000 en 2.500 nm is heel belangrijk voor de onderhavige uitvinding en is in de stand van de techniek bekend als korte golf infrarood (SWIR).

Voor de onderhavige uitvinding zijn de uitvinders begonnen met het testen van een spectrale bereik van 900 nm tot 1.700 nm maar kwamen al vlug tot de conclusie dat de bovengrens naar boven diende bijgesteld te worden voor soorten textielvezelmateriaal die vooral in gebruikte kleding wordt gebruikt. Gelet op het bereik van 783 tot 1.183 nm zoals geopenbaard in WO 2004/053 220 A1, is dit eerder verassend.

Hierop onderzochten de uitvinders een spectrale bereik van 900 tot 2.500 nm dat naar onder toe wordt versmald om tot een accurate bepaling van de samenstelling van textielvezelmateriaal te komen zonder hierbij het garen van gegevens, het verwerken ervan en het diep neuraal netwerk te overbelasten met een te ruim gekozen spectrale bereik. In een voorkeursuitvoeringsvorm bevat de vector spectrale waarden voor golflengtes van minstens 780 nm, bij voorkeur van minstens 900 nm, meer bij voorkeur van minstens 1.000 nm en het meest bij voorkeur van minstens 1.100 nm, In een voorkeursuitvoeringsvorm bevat de vector spectrale waarden voor golflengtes van ten hoogste 2.500 nm, bij voorkeur van ten hoogste 2.400 nm, meer bij voorkeur van ten hoogste 2.300 nm, nog meer bij voorkeur van ten hoogste 2.200 nm, zelfs nog meer bij voorkeur van ten hoogste 2.100 nm en het meest bij voorkeur van ten hoogste 2.000 nm. In een voorkeursuitvoeringsvorm bevat de vector spectrale waarden alleen voor golflengtes in het bereik gaande van 900 nm tot 2400 nm, bij voorkeur in het bereik van 1.000 nm tot 2.250 nm, nog meer bij voorkeur in het bereik van 1.100 nm tot 2.100 nm en het meest bij voorkeur in het bereik van 1.100 nm tot 2.000 nm. De uitvinders vonden dat dankzij dat smallere bereik ze op een accuratere manier vezelsamenstellingen konden bepalen terwijl er minder gegevens dienden verwerkt te worden (zowel bij het verzamelen van data als bij het trainen).

In een voorkeursuitvoeringsvorm is het aantal spectrale waarden van de vector minstens gelijk aan 32, bij voorkeur minstens 64, meer bij voorkeur minstens 128 en het meest bij voorkeur minstens 256.

In een voorkeursuitvoeringsvorm is het aantal spectrale waarden van de vector hoogstens 65.536, bij voorkeur hoogstens 32.768, meer bij voorkeur hoogstens

16.384, nog meer bij voorkeur 8.192, zelfs nog meer bij voorkeur 4.096, met grotere voorkeur hoogstens 2.048, met nog grotere voorkeur hoogstens 1.024, met zelfs nog grotere voorkeur hoogstens 512, en het meest bij voorkeur hoogstens 256. De vector met de spectrale waarden is samengesteld uit een constant en een niet- constant golflengte-interval. Een voorbeeld van een niet-constant golflengte- interval is een golflengte-interval dat op een logaritmische schaal onveranderd blijft. In een voorkeursuitvoeringsvorm heeft de vector met de spectrale waarden een constant golflengte-interval. In een voorkeursuitvoeringsvorm heeft de vector met de spectrale waarden een golflengte-interval van ten hoogste 10 nm, bij voorkeur van ten hoogste 9 nm, meer bij voorkeur van ten hoogste 8 nm, nog meer bij voorkeur van ten hoogste 7 nm, zelfs nog meer bij voorkeur van ten hoogste 6 nm, met grotere voorkeur van ten hoogste 5 nm en met de grootste voorkeur van ten hoogste 4 nm. In een voorkeursuitvoeringsvorm is de vector met de spectrale waarden samengesteld uit ofwel bemonsterde spectrale waarden dan wel spectrale waarden die gemiddeld of gesommeerd worden over een golflengte-interval. In dat laatste geval wordt het golflengte-interval ook wel ‘band’ genoemd en wordt er naar de grootte van de golflengte verwezen als ‘bandbreedte’. Een bijzondere voorkeur gaat naar spectrale waarden afkomstig van de opgevangen lichtintensiteiten van het gereflecteerde licht binnen een bepaalde band of een functie daarvan. De spectrale waarden kunnen de absolute waarden zijn van de amplitudes van het opgevangen gereflecteerde licht, of fasen van de amplitudes van het gereflecteerde licht, of amplitudes met complexe waarden van het opgevangen gereflecteerde licht, of intensiteiten van het opgevangen gereflecteerde licht, of een functie van een of meer van de voorgaande items. In een voorkeursuitvoeringsvorm geven de spectrale waarden de intensiteiten, of een functie daarvan, weer van het opgevangen gereflecteerde licht. Een functie van de intensiteiten die de bizondere voorkeur geniet, is een logaritme van het omgekeerde van de intensiteiten van het weerkaatste licht dat wordt opgevangen : /ogy(1/R), waarin R een vector is met de reflectie-intensiteiten voor elk van de golflengtes en waarin y het grondtal is van de logaritme, zoals in y=2,

yzeory=10. In een voorkeursuitvoeringsvorm wordt het weerkaatste licht door een smalle spleet en collimerende lenzen gestuurd waarbij de lichtbundels gecorrigeerd en gericht worden op een dispersie-element, zoals een prisma of een rooster, waarna het licht over het gehele spectrum van golflengtes wordt uitgezonden.

Het aldus verspreide licht kan dan via focuseerlenzen op een detector worden gericht.

In een voorkeursuitvoeringsvorm wordt het NIR-spectrum opgevangen en omgezet naar spectrale waarden die elk beantwoorden aan de intensiteit van het gereflecteerde licht in een smalle band van NIR-golflengtes.

Voorbeeld : wanneer de spectrometer geconfigureerd is voor het detecteren in het spectrum van 1.100 nm tot 2.100 nm met 256 datapunten, zal dat resulteren in 256 spectrale waarden die elk beantwoorden aan een bandbreedte van (ongeveer) 3,91 nm.

In een voorkeursuitvoeringsvorm wordt de vector met de spectrale waarden genormaliseerd via kalibratiemetingen.

Deze kalibratiemetingen worden het beste regelmatig uitgevoerd, met name op vooraf bepaalde tijdstippen.

De kalibratiemetingen worden bij voorkeur minstens één keer per dag uitgevoerd, meer bij voorkeur minstens één keer om de 12 uur, nog meer bij voorkeur minstens één keer om de 6 uur, zoals bijvoorbeeld één keer om de 4 uur, één keer om de 3 uur, één keer om de 2 uur, één keer om het uur, één keer om de 30 minuten of één keer om de 15 minuten.

Deze kalibratiemetingen baseren zich bij voorkeur op een zwarte en een witte kalibratiereferentie.

Voor de witte kalibratiereferentie kan hier in principe een volledig reflecterend kalibratiemiddel worden gebruikt, zoals een witte plaat bijvoorbeeld.

Voor de zwarte kalibratiereferentie kan hier in principe een volledig absorberend kalibratiemiddel worden gebruikt, of kan er gezorgd worden voor een onderbreking in het optische circuit (via een optische poort bijvoorbeeld) tussen het voorbij passeren van een textielmonster en de spectrometer.

Voor elk van de witte en zwarte kalibratiereferenties kan er een vector met spectrale waarden worden bekomen.

Deze kan worden verkregen door het uitzenden van NIR-licht, het opvangen van het (eventueel) gereflecteerde NIR-licht en door het bepalen van de kalibratievector a.h.v. het opgevangen licht.

Bij het onderbreken van het optische circuit kan de invloed van ruis worden bepaald.

Vervolgens kan er een vector met spectrale waarden worden genormaliseerd met behulp van de vectoren met de spectrale waarden voor de zwarte en de witte kalibratiereferenties.

De gemiddelde vakman zal het weten te waarderen dat in deze uitvoeringsvorm de genormaliseerde vectoren in het DNN worden ingevoerd.

De gemiddelde vakman zal het weten te waarderen dat in deze uitvoeringsvorm de genormaliseerde vectoren worden aangewend voor het trainen van het DNN.

In een voorkeursuitvoeringsvorm stelt Ra de genormaliseerde vector voor met de spectrale waarden van een textielmonster, R—R, Ra = og Rr) waarbij e R de gemeten vector met de spectrale waarden voor het textielmonster is ; e BR, de kalibratievector met de spectrale waarden voor de zwarte kalibratiereferentie ; e BR» de kalibratievector met de spectrale waarden voor de witte kalibratiereferentie.

Hardware Bij voorkeur omvat de apparatuur een sensorkop voor het opvangen van het gereflecteerde licht van een textielmonster.

Bij voorkeur is de apparatuur voorzien van een glasvezelkabel.

Bij voorkeur bevindt de glasvezelkabel zich tussen de sensorkop en de spectrometer.

Bij voorkeur verbindt de glasvezelkabel de sensorkop met de spectrometer.

Bij voorkeur is de sensorkop uitgerust met een parabolische spiegel.

Bij voorkeur is de sensorkop zo geconfigureerd om het gereflecteerde licht door de glasvezelkabel naar of nabij het brandpunt te convergeren.

Bij voorkeur is de spectrometer voorzien van een dispersie-element en een detector.

Bij voorkeur is de apparatuur uitgerust met een transportband voor het transporteren van de textielmonsters.

De apparatuur kan zo geconfigureerd worden dat een textielmonster wordt gescand terwijl het stil staat ter hoogte van de sensorkop.

Daarnaast kan de apparatuur ook zo geconfigureerd worden dat een textielmonster wordt gescand terwijl het op de transportband voorbij komt.

De apparatuur vertoont bij voorkeur een tijdsduur voor spectrumopname en -analyse van hoogstens 50 milliseconden, meer bij voorkeur van hoogstens 20 milliseconden per textielmonster.

De apparatuur heeft een capaciteit van bij voorkeur minstens 0,2, meer bij voorkeur van minstens 0,25, nog meer bij voorkeur van minstens 0,33, zelfs nog meer bij voorkeur van 0,5 en

_ 14 BE2019/5338 het meest bij voorkeur van 1 textielmonster per seconde. De gemiddelde vakman zal het weten te waarderen dat er voor het bepalen van de capaciteit ook rekening wordt gehouden met de transporttijd. De apparatuur kan uitgerust zijn met één, twee, drie, vier of meer sensorkoppen. De apparatuur kan uitgerust zijn met één, twee, drie, vier of meer spectrometers. Bij uitvoeringen met meerdere sensorkoppen kunnen er zich twee bevinden aan weerszijden van een doorgang waarlangs een textielmonster voorbijkomt.

In een voorkeursuitvoeringsvorm is de apparatuur voorzien van meerdere transportbanden en sensorkoppen, waarbij de sensorkoppen aan elk van de transportbanden zijn gemonteerd, waarbij de verschillende sensorkoppen verbonden zijn met de spectrometer, waarbij de apparatuur uitgerust is met een multiplexer om te schakelen tussen de verschillende sensorkoppen voor het sequentieel opnemen van de door de sensorkoppen gedetecteerde spectra. De spectrumopname en -analyse nemen doorgaans minder tijd in beslag dan het transport van het textielmonster. Het computersysteem en de spectrometer kunnen optimaal worden benut wanneer textielmonsters, verspreid over meerdere transportbanden, achtereenvolgens in de tĳd worden geanalyseerd door hetzelfde computersysteem en spectrometer.

Voor de zwarte kalibratiereferentie wordt bij voorkeur de lichtgeleiding tussen textielmonster en spectrometer onderbroken d.m.v. een optische poort, zo bijvoorbeeld door een poort vóór de sensorkop, of een poort tussen glasvezelkabel en sensorkop, of ook nog een poort tussen glasvezelkabel en spectrometer.

Een Uitvoeringsvorm kan erin bestaan dat de apparatuur met een kleurensensorsysteem wordt uitgerust voor het detecteren van de kleur van een textielmonster. In voorkomend geval kan de apparatuur geconfigureerd worden voor het althans ten dele sorteren van de textielmonsters op kleur.

Een uitvoeringsvorm kan erin bestaan dat de apparatuur van een stoftextuursensorsysteem wordt voorzien voor het detecteren van de textuur van een textielmonster, om bijvoorbeeld uit te maken of het een geweven dan wel een gebreide textuur betreft. Het sensorsysteem voor het herkennen van de stoftextuur kan opgebouwd zijn uit een camera en/of een afstandssensor. In voorkomend geval kan de apparatuur geconfigureerd worden voor het althans ten dele sorteren van de textielmonster op stoftextuur.

| 15 BE2019/5338 Voor elk textielmonster wordt er bij voorkeur een vector met spectrale waarden bepaald. Voor elk textielmonster wordt er bij voorkeur één enkele vector met spectrale waarden bepaald. Voor elk textielmonster wordt er bij voorkeur ten hoogste één vector met spectrale waarden bepaald.

In een voorkeursuitvoeringsvorm worden de textielmonsters op verschillende ruimtelijk van elkaar gescheiden afgevoerd. De apparatuur kan worden geconfigureerd om een afvoerlocatie te kiezen op basis van de uitvoer van het DNN waarna het textielmonster naar de gekozen afvoerlocatie wordt getransporteerd. De afvoerlocaties kunnen elk worden voorzien van een opvangbak. In een voorkeursuitvoeringsvorm wordt er uit een groep samenstellingscategorieën een samenstellingscategorie gekozen voor de textielmonsters op basis van de numerieke relatieve samenstellingshoeveelheden van de uitvoer. Op een niet-limitatieve voorbeeldlijst met samenstellingscategorieën kunnen bijvoorbeeld de volgende textielsamenstellingen voorkomen : 0% katoen en 100% polyester; 5% katoen en 95% polyester; 10% katoen en 90% polyester; 15% katoen en 85% polyester; 20% katoen en 80% polyester; 25% katoen en 75% polyester, e.d. Voor een textielmonster waarvan de numerieke relatieve samenstellingshoeveelheid bekend is en bijvoorbeeld als volgt is : 19,8% katoen, 79,4% polyester en 0,8% overige vezels, kan er bijvoorbeeld gekozen worden voor de categorie 20% katoen en 80% polyester. Aan de verschillende afvoerlocaties dienen bij voorkeur één of meerdere samenstellingscategorieën toegekend te zijn. Er kunnen metingen worden uitgevoerd met de sensorkop op een afstand tussen 150 en 600 mm verwijderd van het textielmonster. De sensorkop kan ofwel onder het textielmonster in het vlak van de transportband worden opgesteld, ofwel boven het textielmonster. De reflectiesensor wordt bij voorkeur met een glasvezelkabel verbonden met de spectrometer. De glasvezelkabel dient van voldoende kwaliteit te zijn. De uitvinders stelden vast dat de glasvezelkabel zo weinig mogelijk OH-groepen dient te bevatten daar die groepen water absorberen. Waterabsorptie door de glasvezelkabel verstoort het interessespectrum, meer bepaald het bepalen van de samenstelling van textielvezels. Wanneer er meerdere apparatuur volgens de onderhavige uitvinding gebruikt worden, is het belangrijk dat de lengte van de glasvezelkabel over de verschillende apparatuur constant

N 16 BE2019/5338 wordt gehouden. Bij wijze van voorbeeld wordt door de uitvinders een glasvezelkabel gebruikt met een lengte van ongeveer 10 m.

Structuur van het DNN Het DNN bestaat uit een opeenvolging/samenstel van knooppuntlagen. Deze opeenvolging omvat een invoerlaag, minstens twee middenlagen (verborgen lagen) en een uitvoerlaag. De knooppunten van dat meervoudig gelaagd netwerk zijn onderling met elkaar verbonden via verbindingslijnen. De verschillende verbindingsljnen worden een gewicht toegekend. We spreken dan ook van gewogen verbindingslijnen.

Het DNN bevat het meest bij voorkeur enkel verbindingsljnen tussen de knooppunten van opeenvolgende lagen. Elke verbindingslijn van het DNN verbindt het meest bij voorkeur twee knooppunten van elkaar opvolgende lagen. In het DNN bevindt er zich het meest bij voorkeur geen gewogen verbindingslijn die een knooppunt van een invoerlaag rechtstreeks verbindt met een knooppunt van een uitvoerlaag.

Een ‘Diep Neuraal Netwerk’ (DNN) wordt in computers geïmplementeerd. Het DNN bevat computer verwerkbare, bij voorkeur, digitale gegevens die de knooppunten, de verbindingslijnen de gewichten van de verbindingslijnen voorstellen. Hierna volgt een niet-limitatieve voorbeeldlijst met deep learning-software, d.w.z. computerprogramma's voor deep learning : Accord.NET, Apache MXNet, Apache SINGA, BigDL, Caffe, Chainer, Deeplearning4j, Dlib, Intel Data Analytics Acceleration Library, Keras, Matlab Deep Learning Toolbox, Microsoft Cognitive Toolkit (CNTK), Neural Designer, OpenNN, PyTorch, scikit-learn, TensorFlow, Theano, Torch, en Wolfram Mathematica.

Een computer-programma voor deep learning dat de voorkeur wegdraagt is bijvoorbeeld versie 2.6 van Microsoft Cognitive Toolkit (CNTK) met ondersteuning van de grafische kaart (GPU, Graphical Processing Unit). Deze computerprogramma'’s zijn geschikt voor het visualiseren van het DNN, voor het trainen van het DNN en voor het inzetten van het DNN om voor alle verschillende soorten vezelmaterialen een numerieke relatieve samenstellingshoeveelheid (zoals gewichtspercentages bijvoorbeeld) te bekomen door het invoeren van een vector met spectrale waarden.

In een voorkeursuitvoeringsvorm is de opeenvolging van lagen van het DNN samengesteld uit minstens drie, bij voorkeur uit minstens vier en het meest bij voorkeur uit minstens vijf middenlagen.

In een voorkeursuitvoeringsvorm bedraagt het aantal middenlagen in de opeenvolging van lagen van het DNN ten hoogste 1.024, bij voorkeur ten hoogste 512, meer bij voorkeur ten hoogste 256, nog meer bij voorkeur ten hoogste 128, zelfs nog meer bij voorkeur ten hoogste 64, met een nog grotere voorkeur ten hoogste 32 en het meest bij voorkeur ten hoogste 16. Zo kan bijvoorbeeld een opeenvolging van lagen bestaan uit 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15 of 16 middenlagen.

Zo bevat een opeenvolging bij voorkeur 5, 6, 7 of 8 middenlagen.

Maar het meest bij voorkeur bevat een opeenvolging 5 middenlagen.

Het DNN is zo geconfigureerd dat de uitvoer van de vorige laag via de gewogen verbindingsljnen als invoer aankomt bij elk van de opvolgende lagen.

Een kunstmatig neuraal netwerk kan al dan niet voorzien zijn van terugkoppellussen.

Het DNN is bij voorkeur een feedforward-netwerk.

Het DNN is bij voorkeur niet voorzien van terugkoppellussen.

Het DNN is bij voorkeur geconfigureerd om zonder teruglussing data van de invoerlaag aan de uitvoerlaag aan te bieden.

Het DNN is bij voorkeur een niet-recurrent neuraal netwerk.

In een voorkeursuitvoeringsvorm neemt het aantal knooppunten in de opeenvolgende lagen van invoer- naar uitvoerlaag niet toe.

Een paar opeenvolgende lagen kan een gelijk aantal knooppunten bevatten.

Een knooppunt kan al dan niet een activatiefunctie bevatten.

De activatiefunctie is ofwel rechtlijnig ofwel niet-rechtljnig.

Een rechtlijnige activatiefunctie is bijvoorbeeld f(x) = x.

In een voorkeursuitvoeringsvorm bevatten de knooppunten van een middenlaag een niet-rechtlijnige activatiefunctie.

De knooppunten van de verschillende middenlagen bevatten een niet-rechtlijnige activatiefunctie.

Deze niet-rechtlijnige activatiefunctie is bij voorkeur : e een ReLU-activatiefunctie f(x) = max(0, x); e een SoftPlus-activatiefunctie f(x) = loge(1 + e*); e een Binary Step-activatiefunctie f(x) = {0 for x < 0;1 for x > 0}; een sigmoïde-activatiefunctie f(x) = — of

18 LL BE2019/5338 een hyperbolische-tangensactivatiefunctie/ (x) = tanh(x) = SS Hierbij stelt f{x) de uitvoer van een knooppunt voor en x de som van de inkomende signalen, d.w.z. de som van de uitvoeren van de knooppunten van de vorige laag vermenigvuldigd met de gewichten van de verbindingslijnen die de knooppunten van de eerdere laag verbinden met dat knooppunt. Als niet- rechtlijnige activatiefunctie geniet een hyperbolische-tangensactivatiefunctie of een sigmoïde-activatiefunctie meer de voorkeur. Als niet-rechtlijnige activatiefunctie geniet een hyperbolische-tangensactivatiefunctie de meeste voorkeur Ten minste enkele van de knooppunten van een laag van een paar opeenvolgende lagen worden via een gewogen verbindingslijn verbonden met één of meerdere knooppunten van het andere lagenpaar. In een voorkeursuitvoeringsvorm wordt elk knooppunt van een laag van een paar opeenvolgende lagen via een gewogen verbindingslijn verbonden met elk van de knooppunten van de andere laag van het lagenpaar, m.a.w. de lagen van het lagenpaar zijn ‘volledig onderling verbonden’. Alle lagenparen van een paar opeenvolgende lagen zijn bij voorkeur volledig onderling verbonden, hetgeen wil zeggen dat het DNN bestaat uit ‘dichte lagen’.

In een voorkeursuitvoeringsvorm wordt de invoerlaag voorgesteld door de vector met spectrale waarden. Het aantal knooppunten van de invoerlaag is bij voorkeur gelijk aan het aantal spectrale waarden van de vector.

In een voorkeursuitvoeringsvorm stemt de uitvoerlaag overeen met de meeste soorten vezelmateriaal vermeerderd met één knooppunt bedoeld voor de overige soort vezelmateriaal. Het aantal knooppunten van de uitvoerlaag is bij voorkeur gelijk aan het aantal soorten vezelmateriaal vermeerderd plus één.

Traïningsproces van het DNN Het trainen van het DNN kan met een veelheid aan oefentextielmonsters waarvan de textielsamenstelling bekend is. Ten minste enkele van de vele oefentextielmonsters dienen een vezelsamenstelling te hebben van twee of meer — vezelsoorten. Een oefentextielmonster mag samengesteld zijn uit één, twee, drie, vier, vijf, zes, zeven acht, negen of meer vezelsoorten. In een oefentextielmonster mag een vezelsoort voorkomen die niet behoort tot deze genoemde veelheid aan vezelsoorten. In deze mix aan textielmonsters bevinden er zich het meest bij voorkeur twee of meer oefentextielmonsters met een identieke samenstelling aan vezelsoorten maar wel in verschillende relatieve hoeveelheden. Voorbeeld : een eerste oefentextielmonster is samengesteld uit 50% katoen en 50% polyester en een tweede uit 30% katoen en 70% polyester. Hieruit volgt dat de verschillende samenstellingen kunnen verschillen niet alleen qua vezelsoort maar ook qua relatieve hoeveelheid van bepaalde vezelsoorten. De mix aan oefentextielmonsters omvat bij voorkeur een aantal textielmonsters die weliswaar identiek zijn qua vezelsamenstelling maar onderling verschillen qua vochtigheidsgraad, coating en kleur en/of textuur, Immers, het vochtgehalte, de coating, de kleur en de textuur kunnen een invloed hebben op het NIR-spectrum. Voor een correcte bepaling van de samenstelling van textielmonsters kan het DNN worden getraind m.b.v. oefentextielmonsters die eenzelfde vezelsamenstelling vertonen maar wel verschillen in vochtgehalte, coating, kleur en/of textuur.

Voor elk van de mix aan oefentextielmonsters kan er een vector met spectrale waarden worden bekomen door ze eerst te bestralen met NIR-licht, het teruggekaatste NIR-licht vervolgens op te vangen en ten slotte aan de hand van de hoeveelheid teruggekaatst licht de vector te berekenen. Hierna kan het DNN worden getraind met behulp van de vector met spectrale waarden en met de oefensamenstelling van elk oefentextielmonster van de mix. In een voorkeursuitvoeringsvorm wordt het DNN getraind middels een iteratieve optimalisatie van de gewichten van de verbindingslijnen. De iteratieve optimalisatie wordt bij voorkeur uitgevoerd gedurende een vooraf bepaald aantal iteraties of tot een vooraf bepaalde accuraatheid wordt behaald. De oefentextielmonsters worden bij voorkeur gemerkt als model- of testmonsters. De modelmonsters kunnen worden aangewend om een eerste reeks gewichten voor het DNN te berekenen. De gewichten worden vervolgens iteratief bijgewerkt middels een voorspelling van de testmonsters, middels deze voorspelling te vergelijken met testmonsters van bekende samenstelling en door ten slotte de gewichten van het DNN dienovereenkomstig bij te werken. In een voorkeursuitvoeringsvorm worden de gewichten via de gradient descent- methode bijgewerkt. De gradient descent is ofwel van het type stochastisch, batch of mini-batch. Op de gewichten wordt bij voorkeur het mini-batch gradient descent-algoritme toegepast waarbij gewichten iteratief bijgewerkt worden op basis van de voorspellingen voor een onvolledige subgroep van testmonsters.

In een voorkeursuitvoeringsvorm bedraagt het aantal oefentextielmonsters bij voorkeur minstens 1.000, meer bij voorkeur minstens 2.000, nog meer bij voorkeur minstens 4.000 en het meest bij voorkeur ongeveer 8.000.

De training gebeurt bij voorkeur door middel van een groot aantal iteraties tot de accuraatheid de verzadigingswaarde heeft bereikt, m.a.w. tot het punt, of in de buurt ervan, waar de kans op overfitting begint. Voorbeeldaantallen van door de uitvinders gebruikte iteraties gaan van 50 iteraties voor eenvoudige spectra samen met een beperkt aantal uit de vele verschillende vezelsoorten, tot 2.000 iteraties voor een veelheid van zes vezelsoorten. Het aantal oefentextielmonsters van alle verschillende samenstellingen bedraagt het liefst minstens 5, bij voorkeur minstens 10, meer bij voorkeur minstens 20, en aantallen zoals 20, 24, 28, 32, 36, 40, 44, 48 of 50. Het minimum aantal textielmonsters voor iedere soort samenstelling is 40, en bij voorkeur ongeveer

50. Voorbeelden De uitvinding wordt hierna verder verduidelijkt aan de hand van de volgende niet- limitatieve voorbeelden ter illustratie ervan ; deze zijn echter geenszins bedoeld om en moeten ook niet worden opgevat als zouden zij tot doel hebben het bereik van de uitvinding te beperken.

Example 1: Apparatuur Het onderhavige voorbeeld toont een uitvoeringsvorm van een apparatuur volgens de onderhavige uitvinding.

Figuur 1 geeft een schematische weergave van de uitvoeringsvorm. De apparatuur is samengesteld uit een transportband (22), een sensorkop (21) met ingebouwde lichtbron, een lens en een element voor het opvangen van licht, een glasvezelkabel (23), een spectrometer (24) en een computersysteem (25).

Sensorkop en spectrometer worden met elkaar verbonden door de glasvezelkabel. De figuur laat een sensorkop zien die in hetzelfde vlak van de transportband gelegen is. Maar de sensorkop kan ook boven de transportband opgesteld staan zodat de textielmonsters van boven worden gescand.

De apparatuur is geconfigureerd om het door de textielmonsters diffuus gereflecteerde NIR-licht op te vangen. Het weerkaatste licht wordt door een smalle spleet en collimerende lenzen gestuurd die de lichtbundels corrigeren en richten op een dispersie-element, zoals een prisma of een rooster, waarna het licht over het gehele spectrum van golflengtes wordt uitgezonden. Het aldus verspreide licht wordt via focuseerlenzen op een detector gericht. Het NIR-spectrum wordt opgevangen en omgezet naar spectrale waarden die elk de intensiteit van het gereflecteerde licht in een smalle band van NIR-golflengtes weergeven. De spectrometer is met name geconfigureerd om het spectrum aan golflengtes van

1.100 tot 2.100 nm te scannen dat vervolgens wordt uitgezet over 256 datapunten. Derhalve is de vector samengesteld uit 256 spectrale waarden die elk overeenkomen met een bandbreedte van ongeveer 3,91 nm. De spectrale waarden zijn het meest bij voorkeur een logaritme van het omgekeerde van de opgevangen intensiteiten van het gereflecteerde licht, zoals blijkt uit de gedetailleerde beschrijving. Het computersysteem is geconfigureerd om de door de spectrometer uitgezonden vector te ontvangen en om de numerieke relatieve samenstellingshoeveelheden te bepalen voor elk van de vele verschillende soorten vezelmateriaal. Deze verscheidenheid aan soorten vezelmateriaal kan met name bestaan uit acryl, katoen, polyamide, polyester, viscose en wol. Example 2: Diep neuraal netwerk Het onderhavige voorbeeld laat een diep neuraal netwerk (DNN) zien. Het onderhavige voorbeeld verwijst bij voorkeur naar het vorige voorbeeld 1. Voor het uitwerken van de uitvoeringsvorm van de onderhavige uitvinding deden de uitvinders een beroep op versie 2.6 van Microsoft Cognitive Toolkit (CNTK) met GPU-ondersteuning, maar het spreekt voor zich dat andere software uiteraard ook kan worden gebruikt. Het DNN van de onderhavige uitvinding is een feedforward-netwerk dat geconfigureerd is om zonder teruglussing de datastroom afkomstig van een invoerlaag door te sturen naar een uitvoerlaag. Het DNN bestaat uit één invoerlaag met 256 knooppunten, vijf middenlagen en één uitvoerlaag met 7 knooppunten. In de middenlagen (te tellen vanaf de invoer- naar de uitvoerlaag) bevinden er zich respectievelijk 256, 128, 64, 32 en 16 knooppunten. Alle lagenparen van opeenvolgende lagen zijn volledig onderling verbonden. Bijgevolg is ieder knooppunt van een laag van de verschillende lagenparen via een verbindingslijn verbonden met ieder knooppunt van de andere laag van het lagenpaar. De verschillende verbindingslijnen worden een gewicht toegekend.

Het aantal knooppunten van de invoerlaag is gelijk aan het aantal spectrale waarden van een vector. Het aantal knooppunten van de uitvoerlaag is qua aantal gelijk aan het aantal soorten vezelmateriaal uit de mix vermeerderd met één knooppunt bedoeld voor de overige soort vezelmateriaal.

Example 3: Gegevensverwerkingsalgoritme Het onderhavige voorbeeld toont een uitvoeringsvorm van een gegevensverwerkingsalgoritme volgens de onderhavige uitvinding. Het onderhavige voorbeeld verwijst bij voorkeur naar het vorige voorbeeld 1. Het onderhavige voorbeeld verwijst bij voorkeur naar het vorige voorbeeld 2.

Figuur 2 geeft een schematisch overzicht van de uitvoeringsvorm. Er wordt een vector met spectrale waarden (31) voor een textielmonster bekomen. Eventueel kan de vector (32) voorverwerkt worden. Deze voorverwerking kan bestaan uit het normaliseren van de vector middels kalibratievectoren, zoals beschreven in bovenstaande gedetailleerde beschrijving.

De vector wordt in een getraind DNN ingevoerd (zoals in een DNN volgens voorbeeld 2) om daar te worden omgezet in een numerieke relatieve samenstellingshoeveelheid voor alle verschillende types vezelmaterialen (33). Deze omzetting zorgt voor een continue stroom van relatieve samenstellingshoeveelheden. De gemiddelde vakman zal het weten te waarderen dat binnen het kader van de onderhavige uitvinding de term “continu” verwijst naar de drijvende-kommanotatie door een computersysteem. Op basis van de numerieke relatieve samenstellingshoeveelheden wordt er één categorie uit de vele categorieën gekozen (34). Een categorie kan een reeks numerieke relatieve samenstellingshoeveelheden omvatten. Het kiezen van een categorie voor de numerieke relatieve samenstellingshoeveelheden kan op basis van ‘2-norm difference’. Deze keuze maakt een categorie aan bestaande uit een discrete reeks vooraf bepaalde categorieën.

Example 4: Trainingsproces van het DNN Het onderhavige voorbeeld toont een uitvoeringsvorm van een trainingsalgoritme volgens de onderhavige uitvinding. Het onderhavige voorbeeld verwijst bij voorkeur naar het vorige voorbeeld 1. Het onderhavige voorbeeld verwijst bij voorkeur naar het vorige voorbeeld 2. Het onderhavige voorbeeld verwijst bij voorkeur naar het vorige voorbeeld 3. Het DNN wordt getraind overeenkomstig alle voorkeusuitvoeringsvormen in het corresponderende hoofdstuk van de gedetailleerde beschrijving. De met name vele oefentextielmonsters bevatten oefenmonsters : e waarvan sommige uit verschillende soorten vezelmateriaal bestaan ; e waarvan sommige uit meerdere soorten vezelmateriaal bestaan ; e waarvan sommige uit weliswaar dezelfde (meerdere) soorten vezelmateriaal bestaan maar in verschillende relatieve hoeveelheden ; en e waarvan sommige uit dezelfde soorten vezelmateriaal en eenzelfde samenstelling van soorten vezelmateriaal bestaan maar met een ander vochtgehalte, een andere coating, een andere kleur en/of textuur. De mix monsters is samengesteld uit 8.000 of meer oefenmonsters en uit ten minste 40 (meer bepaald, uit een 50-tal) oefenmonsters voor iedere beoogde samenstellingscategorie afzonderlijk.

Op de knooppunten van de uitvoerlaag wordt bij voorkeur een softmax- activatiefunctie toegepast en de trainingsdoelstelling beoogt een categorale kruisentropie.

De update is bij voorkeur gebaseerd op de gradient descent-methode met het momentum van Nesterov, meer bepaald een momentumparameter van 0,9 en een leersnelheid van 0,01.

De grootte van een mini-batch is bij voorkeur 8. Het aantal epochs voor het leerproces is bij voorkeur 2.000.

Example 5: Voorbeeldspectra Figuren 3,4 en 5 tonen voorbeeldspectra van textielmonsters.

Figuur 3 laat een specifiek golflengtegebied zien (waarbij de golflengtes in nanometer worden uitgedrukt), waaruit blijkt dat in het getoonde specifieke gebied de verschillende soorten vezelmateriaal karakteristieke pieken vertonen, maar dat er tussen verschillende monsters met weliswaar eenzelfde vezelsamenstelling toch nog kleine verschillen blijven bestaan. Dat kan te wijten zijn aan het verschil in vochtgehalte, kleur, coating en/of textuur.

Figuur 4 toont diverse spectra van zuiver-textielmonsters. Spectrum (1) is dat van zuivere viscose, spectrum (2) van zuiver katoen, spectrum (3) van zuiver nylon (polyamide), spectrum (4) van zuivere wol, spectrum (5) van zuiver polyester en spectrum (6) ten slotte van zuiver acryl.

Figuur 5 laat verschillende spectra zien van zuiver katoen (7), verschillende spectra van zuiver polyester (8) alsook verschillende spectra van monsters van gemengd textiel van 55% katoen en 45% polyester. Echter zoals te constateren valt, zijn de monsters van gemengd textiel niet zomaar een stapel zuiver- textielmonsters, daarom is het nodig het DNN te trainen door gebruik te maken van de monsters van gemengd textiel.

Example 6: Eerste vergelijkingsvoorbeeld Het onderhavige voorbeeld geldt voor alle hierboven gegeven voorbeelden 1, 2,3 en 4.

De tabellen 1 en 2 geven samenstellingen weer voor zuiver-textielmonsters uitgedrukt in gewichtspercentages, d.w.z. monsters die uit één vezelsoort zijn samengesteld, die bekomen werden enerzijds volgens de onderhavige uitvinding en anderzijds door correlatiemodellering conform de stand van de techniek zoals geopenbaard in US 8 190 551 B2.

Tabel 1 - Samenstelling voor zuiver-textielmonsters : volgens de onderhavige uitvinding

Tabel 2 - Samenstelling voor zuiver-textielmonsters : volgens de stand van de techniek Niettegenstaande correlatiemodellering het in principe toch mogelijk zou kunnen maken om zuivere vezels te sorteren door het instellen van een drempelniveau, scoort de onderhavige uitvinding toch duidelijk beter dan correlatiemodellering, daar ook het analyseren veel ingewikkelder wordt wanneer er onderling verschillende samenstellingen dienen onderscheiden te worden. Example 7: Tweede vergelijkingsvoorbeeld Het onderhavige voorbeeld geldt voor alle hierboven gegeven voorbeelden 1, 2,3 en 4.

De tabellen 3, 4 en 5 geven samenstellingen weer voor gemengd-textielmonsters uitgedrukt in gewichtspercentages, d.w.z. monsters die uit meerdere vezelsoorten zijn samengesteld, die respectievelijk werden bekomen volgens de onderhavige uitvinding door correlatiemodellering conform de stand van de techniek zoals geopenbaard in US 8 190 551 B2, en ten slotte door chemische analyse. Tabel 3 — Samenstelling voor textielmonsters van gemengde stof : volgens de onderhavige uitvinding

616 (50% wol, | 0% 0% 51% | 48% 0% 0% sam EE Tabel 4 — Samenstelling voor textielmonsters van gemengde stof : volgens de stand van de techniek 619 (30% wol, | 81% 26% 98% |56% 87% 88% oe 616 (50% wol, | 84% 29% 99% |63% 91% 88%

FEN Tabel 5 - Samenstelling voor textielmonsters van gemengde stof : door chemische analyse 619 (30% wol, | 30% 70% Deu 616 (50% wol, | 54% 46% Eeen De methoden volgens de onderhavige uitvinding leveren accurate resultaten op. Volgens de klassieke correlatiemethoden correleert wol hoog terwijl acryl laag correleert. Hierdoor zijn de klassieke correlatiemethoden niet geschikt voor de beoogde sorteertoepassing. Example 8: Derde vergelijkingsvoorbeeld Het onderhavige voorbeeld geldt voor alle hierboven gegeven voorbeelden 1, 2,3 en4. Tabel 6 geeft samenstellingen weer voor gemengd-textielmonsters uitgedrukt in gewichtspercentages d.w.z. monsters die uit meerdere vezelsoorten zijn samengesteld, die voorspeld (voorsp.) zijn door toepassing van de onderhavige uitvinding (kolommen 2 en 3) en bekomen werden door chemische analyse BE2019/5338 (chem.) (kolommen 4 en 5). In tegenstelling tot de resultaten bekomen door chemische analyse, geven de voorspellingen door toepassing van de onderhavige uitvinding een hogere graad van accuraatheid.

Hierdoor is de onderhavige uitvinding geschikt voor de beoogde sorteertoepassing.

Tabel 6 - Samenstelling voor textielmonsters van gemengde stof : voorspelling door toepassing van de onderhavige uitvinding versus door chemische analyse Monster | Katoen Polyester Katoen (chem.) | Polyester (chem.) goe [mess | OT PET

Example 9: Sorteerapparatuur Figuur 6 toont een sorteerapparaat overeenkomstig alle voorgaande voorbeelden 1, 2, 3 en 4. De apparatuur beschikt over verschillende afvoerlocaties.

De apparatuur is geconfigureerd om een afvoerlocatie te kiezen op basis van de uitvoer van het DNN en om dus het textielmonster naar de gekozen afvoerlocatie te transporteren.

In het onderhavige voorbeeld staan er aan elke afvoerlocatie rolbakken voor het afvoeren van de textielmonsters.

De apparatuur in onderhavig voorbeeld is bijzonder geschikt om eerst te sorteren en vervolgens te recycleren bijvoorbeeld.

Example 10: Aanpasbaarheid Bij het detecteren van een textielmonster dat in een verkeerde categorie werd ingedeeld of van een textielmonster dat van een volledig nieuwe vezelsoort is gemaakt en/of een geheel nieuwe textuur vertoont, dan kan dat textielmonster aan de trainingsset worden toegevoegd.

Dat maakt het mogelijk om de methode en de apparatuur van de onderhavige uitvinding perfect te laten inspelen op alle mogelijke behoeften en om te komen tot een continu leerproces.

Claims

CONCLUSIES

1. Methode voor het bepalen van de vezelsamenstelling van een textielmonster die de volgende stappen omvat : — het belichten van het textielmonster met nabij-infrarood licht ; — het opvangen van het door het textielmonster teruggekaatste nabij- infrarood licht ; — het aanmaken van een vector met de spectrale waarden van het opgevangen licht ; — het invoeren van deze vector in een kunstmatig neuraal netwerk bestaande uit knooppunten en verbindingsljnen, waarbij de afzonderlijke verbindingslijnen elk een gewicht worden toegekend ; en — het genereren van uitvoer berekend door het kunstmatig neuraal netwerk, waarbij het kunstmatig neuraal netwerk een diep neuraal netwerk is, opgebouwd uit een samenstel van lagen en knooppunten, waarbij dat samenstel (opeenvolging) bestaat uit een invoerlaag, minstens twee middenlagen (verborgen lagen) en een uitvoerlaag, waarbij de knooppunten van de opeenvolgende lagen van dat samenstel volledig onderling verbonden zijn d.m.v. gewogen verbindingslijnen en waarbij ten slotte de uitvoer voor elk van de vele verschillende soorten vezelmateriaal een numerieke relatieve samenstellingshoeveelheid bevat, met het kenmerk, dat de vector uitsluitend spectrale waarden bevat voor golflengten in het bereik van 1.100 nm tot 2.100 nm en waarbij soorten vezelmateriaal samengesteld zijn uit minimaal twee van de volgende vezelsoorten: katoen, wol, polyester, acryl, viscose en polyamide.

2. Methode volgens de voorgaande conclusie 1, waarbij het opgevangen licht een diffuse reflectie vertoont.

3. Methode volgens elk van de voorgaande conclusies, waarbij het diep neuraal netwerk geconfigureerd is volgens één, twee, drie of alle vier van de volgende specificaties : — het samenstel van lagen bestaat uit minstens drie, bij voorkeur minstens vier en het meest bij voorkeur minstens vijf middenlagen ;

— het aantal knooppunten in de opeenvolgende lagen neemt niet toe van de invoer- naar de uitvoerlaag ; — de knooppunten van een middenlaag bevatten een niet-rechtlijnige activatiefunctie, bij voorkeur een sigmoïde-activatiefunctie of een hyperbolische-tangensactivatiefunctie, maar het meest bij voorkeur een hyperbolische-tangensactivatiefunctie ; — ieder knooppunt van een laag van de verschillende lagenparen wordt via een verbindingslijn verbonden met ieder knooppunt van de andere laag van het lagenpaar.

4. Methode volgens elk van de voorgaande conclusies, waarbij aan de vector met de spectrale waarden een constant golflengte-interval is toegekend.

5. Methode volgens elk van de voorgaande conclusies, waarbij de vector met de spectrale waarden een golflengte-interval is toegekend van ten hoogste 10 nm, bij voorkeur van ten hoogste 9 nm, meer bij voorkeur van ten hoogste 8 nm, nog meer bij voorkeur van ten hoogste 7 nm, zelfs nog meer bij voorkeur van ten hoogste 6 nm, met grotere voorkeur van ten hoogste 5 nm en met de grootste voorkeur van ten hoogste 4 nm.

6. Methode volgens elk van de voorgaande conclusies, waarbij de vector met de spectrale waarden samengesteld is uit ofwel bemonsterde spectrale waarden dan wel spectrale waarden die gemiddeld of gesommeerd worden over een golflengte-interval.

7. Methode volgens elk van de voorgaande conclusies, waarbij de spectrale waarden de intensiteiten, of een functie daarvan, weergeven van het opgevangen gereflecteerde licht.

8. Methode volgens elk van de voorgaande conclusies en die de volgende stappen omvat : — het bekomen van een vector met de spectrale waarden voor elk oefentextielmonster van een mix aan oefentextielmonsters, waarbij minstens toch een aantal van de vele oefentextielmonsters voor het trainen samengesteld zijn uit twee of meer soorten vezelmateriaal, door : e het belichten van het textielmonster met nabij-infrarood licht ;

e het opvangen van het door het textielmonster teruggekaatste nabij-infrarood licht ; e het aanmaken van een vector op basis van het opgevangen licht ; — het trainen van het DNN met de vector met de spectrale waarden en met een samenstelling voor het trainen van elk oefentextielmonster van de mix.

9. Methode volgens de voorgaande conclusie 8, waarbij er in de mix aan oefentextielmonsters een aantal textielmonsters voorkomen die weliswaar identiek zijn qua vezelsamenstelling maar onderling verschillen qua vochtigheidsgraad, coating en kleur en/of textuur.

10. Methode volgens een van de voorgaande conclusies 8 en 9, waarbij het diep neuraal netwerk middels een iteratieve optimalisatie van de gewichten van de verbindingslijnen bij voorkeur wordt getraind gedurende een vooraf bepaald aantal iteraties of tot een vooraf bepaalde accuraatheid wordt behaald.

11.Methode volgens elk van de voorgaande conclusies waarbij de methode de volgende stappen omvat : — het bekomen een vector met de spectrale waarden voor elk van de witte en zwarte kalibratiereferenties ; — het normaliseren van een vector met de spectrale waarden middels de kalibratievectoren met de zwarte en de witte kalibratiereferenties, waarna de aldus genormaliseerde vector in het kunstmatig neuraal netwerk wordt ingevoerd.

12.Apparatuur voor het bepalen van de vezelsamenstelling van een textielmonster die het volgende omvat : — een lichtbron die zo geconfigureerd is dat het textielmonster met nabij infrarood licht (NIR) wordt belicht ; — een spectrometer die geconfigureerd voor het opvangen van het door het textielmonster gereflecteerde nabij-infrarood licht en voor het bepalen van een vector met de spectrale waarden van het opgevangen licht ;

— een computersysteem dat van minstens één processor is voorzien en dat geconfigureerd is voor : e het ontvangen van de via de spectrometer verkregen vector ; e het invoeren van deze vector in een kunstmatig neuraal netwerk bestaande uit knooppunten en verbindingslijnen, waarbij de afzonderlijke verbindingsljnen elk een gewicht worden toegekend ; en e het genereren van uitvoer berekend door het kunstmatig neuraal netwerk, waarbij het kunstmatig neuraal netwerk een diep neuraal netwerk is, opgebouwd uit een samenstel van lagen en knooppunten, waarbij dat samenstel (opeenvolging) bestaat uit een invoerlaag, minstens twee middenlagen (verborgen lagen) en een uitvoerlaag, waarbij de knooppunten van de opeenvolgende lagen van dat samenstel volledig onderling verbonden zijn d.m.v. gewogen verbindingslijnen en waarbij ten slotte de uitvoer voor elk van de vele verschillende soorten vezelmateriaal een numerieke relatieve samenstellingshoeveelheid bevat ; waarbij bij voorkeur de apparatuur voorzien is van een sensorkop en een glasvezelkabel die de sensorkop met de spectrometer verbindt ; waarbij bij voorkeur de spectrometer voorzien is van een dispersie-element en een detector ; waarbij bij voorkeur de apparatuur uitgerust is met een transportband voor het transporteren van de textielmonsters ; waarbij bij voorkeur de apparatuur voorzien is van meerdere ruimtelijk van elkaar gescheiden afvoerlocaties, waarbij de apparatuur geconfigureerd is om een afvoerlocatie te kiezen op basis van de uitvoer van het DNN en om het textielmonster naar de gekozen afvoerlocatie te transporteren.

13. Gebruik van een methode volgens on het even welke van de voorgaande conclusies 1 tot 11 en/of gebruik van een apparatuur volgens de voorgaande conclusie 12 voor het sorteren van textielmonsters en/of voor productiekwaliteitscontrole en/of voor het inspecteren van samenstellingsetiketten.