CN112649391A - 一种纤维质量等级在线检测系统及其应用 - Google Patents
一种纤维质量等级在线检测系统及其应用 Download PDFInfo
- Publication number
- CN112649391A CN112649391A CN202011409720.5A CN202011409720A CN112649391A CN 112649391 A CN112649391 A CN 112649391A CN 202011409720 A CN202011409720 A CN 202011409720A CN 112649391 A CN112649391 A CN 112649391A
- Authority
- CN
- China
- Prior art keywords
- data
- fiber
- infrared
- sample
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000000835 fiber Substances 0.000 title claims abstract description 122
- 238000001514 detection method Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000004043 dyeing Methods 0.000 claims abstract description 42
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 34
- 230000003595 spectral effect Effects 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000010801 machine learning Methods 0.000 claims abstract description 4
- 239000000523 sample Substances 0.000 claims description 83
- 238000012549 training Methods 0.000 claims description 49
- 238000001228 spectrum Methods 0.000 claims description 37
- 238000003384 imaging method Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 24
- 239000013307 optical fiber Substances 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 12
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 238000010408 sweeping Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000004611 spectroscopical analysis Methods 0.000 claims description 3
- 238000004566 IR spectroscopy Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000002195 synergetic effect Effects 0.000 claims description 2
- 238000009941 weaving Methods 0.000 abstract description 4
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000005070 sampling Methods 0.000 abstract 1
- 230000009466 transformation Effects 0.000 abstract 1
- 238000003331 infrared imaging Methods 0.000 description 16
- 239000000126 substance Substances 0.000 description 8
- MTHSVFCYNBDYFN-UHFFFAOYSA-N diethylene glycol Chemical compound OCCOCCO MTHSVFCYNBDYFN-UHFFFAOYSA-N 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 229920000728 polyester Polymers 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000009940 knitting Methods 0.000 description 3
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000003333 near-infrared imaging Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 238000002441 X-ray diffraction Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000012752 auxiliary agent Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000003178 carboxy group Chemical group [H]OC(*)=O 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000007380 fibre production Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Strategic Management (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
Abstract
本发明公开了一种纤维质量等级在线检测系统及其应用，所述系统由红外光谱仪、光纤探头、纤维或纤维线盘夹持及摆扫装置、数据收集与处理装置组成。通过基于红外光谱的检测系统采集丝锭表面纤维的红外光谱数据，对红外光谱数据进行基线校正、标准正交变换等预处理，利用特征选择以及特征提取算法提取数据光谱特征与空间特征，并组成新的数据，在获得经过特征提取的数据后，通过训练完成的机器学习分类器对纤维产品数据进行染色均匀性分级。相比于传统的染判法，本发明无需织造与染色步骤，节省检测时间及成本，能够提高采样的代表性，有助于提高检测结果的可信度。其表征影响纤维产品染色均匀性的各种复杂因素，并可在线快速检测。
Description
技术领域
本发明涉及纤维检测技术领域，更具体地，涉及一种基于红外光谱技术的纤维质量等级在线检测方法及检测系统，是一种用于纤维质量等级检测的方法，其在采集纤维的红外(成像)光谱数据的基础之上，使用机器学习方法进行纤维产品染色均匀性分级判断，实现纤维产品的快速、非接触、准确的等级区分。
背景技术
随着科技与工业的发展，化学纤维织物的应用越来越广泛。在化纤生产中，纤维的染色均匀性检测是最为重要的质量检测手段之一，是化纤产品等级区分的直接依据。纤维的染色均匀性受到众多因素影响。例如：纤维结晶度、熔体均匀性、工艺条件、纤维直径、表面粗糙度、截面形状以及其他复杂综合因素。通常认为染色过程是染料分子和纤维非晶区中能与之结合的化学键结合的过程，即纤维结晶度的变化决定纤维染色均匀性。纤维直径、表面粗糙度、截面形状等则会影响纤维对光的反射性能，从而影响纤维的染色性能。其他复杂综合因素(如纤维微观结构、助剂等)，则会影响纤维对于同波长光的吸收能力、反射能力，从而影响染色均匀性。但是目前通过对上述因素进行的单独检测仍然无法表征造成染色不均匀的各种复杂因素，因而无法准确对纤维产品进行分级。
现有的纤维分级方法主要有两类：染色法与非染色法。织袜染色法是目前常用的纤维分级方法，也是现行标准中GB/T 6508-2015所使用的方法，如附图2所示。在使用织袜染色法检测时，首先将纤维织成布料，之后进行染色，染色完成后使用比色卡进行人工比对分级。织袜染色法可以直接获得纤维的染色均匀度，但织袜、染色过程费时费力，只能抽取小部分样品检测，而且依赖于人工进行等级区分，存在误判的可能。目前，使用普通的图像分析技术可以替代人工对染色后的袜带进行分级，但仍然需要经过织袜染色(用以表征各种复杂因素)步骤才能完成检测，可以一定程度上提高判定准确率，但是无法本质上提高效率。非染色法则是不用织袜染色即可以直接判断长丝的染色均匀性的方法。现有的非染色检测方法大多仅仅检测单一主要参数，如杜邦公司采用POY的热拉伸应力及其不匀率，以这样的物理指标来衡量产品质量。也有使用X射线衍射测量纤维结晶度来对纤维进行分级的文献。这些基于单一的参数的检测方法难以有效反映纤维的染色均匀性。
因此，亟需一种既能表征多种因素对于纤维产品染色均匀性的影响，又能省略织袜、染色步骤的快速检测方法。
红外光谱是一种测量分子振动光谱的方法。利用合适的算法对红外光谱进行解析，能够定性，甚至定量分析分子中的基团或化学键情况，并测定相应物质的含量。如果利用成像光谱仪同时采集样品的红外光谱信息与空间信息，则可以获得红外成像光谱数据。同时，红外光谱以及成像光谱均能够实现快速、无损采集。这使红外(成像)光谱技术获得了广泛应用，包括测量聚酯纤维端部羧基含量、混纺纤维成份测定等。如前文所述，纤维染色均匀性主要受到结晶度、二甘醇含量等因素影响。而现有研究表明，红外(成像)光谱技术可以有效检测纤维的结晶度、二甘醇含量，同时还能获得纤维的组分信息。
基于以上现状，本申请提出了一种基于红外(成像)光谱技术的纤维质量检测方法，将红外光谱技术引入纤维产品质量检测领域，通过机器学习方法对检测数据处理，提取出表征纤维染色均匀性的主要因素实现对纤维产品快速、准确的分级。
发明内容
本发明的一个目的是提供一种纤维质量等级在线检测系统，该系统由红外(成像)光谱仪、光纤探头、纤维或纤维线盘夹持及摆扫装置、数据收集与处理装置组成；其中：
所述红外(成像)光谱仪用于采集样品的透射或反射红外(成像)光谱数据，并将其输出至数据收集处理装置。
所述光纤探头用于采集样品的透射或反射红外(成像)光谱，并将其传输到红外(成像)光谱仪。
所述纤维或纤维线盘夹持及摆扫装置(样品夹持(摆扫)机构)用于夹持纤维样品，并在检测时，与光纤探头配合采集样品表面不同位置的红外(成像)光谱。
所述样品收集处理装置用于收集样品红外(成像)光谱数据，形成数据库，使用上述的纤维质量等级在线检测方法对待测纤维产品数据进行质量检测，并输出质量判定结果。
通过红外(成像)光谱仪与纤维或纤维线盘夹持及摆扫装置协同作用采集纤维不同位置的红外(成像)光谱，通过数据收集及处理装置对光谱数据进行分析处理，可实现对某种纤维的质量判定模型建模并完成纤维质量等级的判定。
所述光谱采集装置可以加装全内反射装置，使得仪器能够采集全内反射光谱。所述光谱采集装置亦可加装积分球装置，提升光谱质量。
所述光谱仪可以采用成像光谱仪，以同时采集纤维的空间信息与光谱信息，并获得三维光谱数据。所述光谱仪可以采用红外光谱仪，以采集高分辨率、宽波段的纤维红外光谱数据。
所述装置可以通过光纤连接光谱仪与数据处理装置，让一个数据处理装置同时处理来自多个光谱仪的数据，实现统一的数据模型训练、模型预测、模型更新。
本发明的另一个目的是提供所述检测系统在纤维质量等级在线检测中应用，也即一种纤维质量等级在线检测方法，包括训练步骤与检测步骤，其中训练步骤是指利用收集到的有质量等级标注的丝锭红外(成像)光谱数据，使设计的分类器学会如何根据丝锭数据对丝锭进行质量等级划分；检测步骤是依照检测步骤对纤维丝锭样品进行快速质量检测以及等级判定，是使用红外(成像)光谱仪以相同方式采集待测纤维丝锭样品的红外光谱(成像)数据，并使用在训练步骤中获得的分类器对数据进行分级，从而获得纤维丝锭最终的质量分级。
1.训练步骤：
S01：使用基于红外(成像)光谱技术的检测系统采集样本丝锭光谱数据，并记录其在纤维染判法下确定的等级，进行数据预处理；
S02：使用特征选取或特征提取算法提取关键特征；
S03：将样本数据使用随机算法随机分为训练组与验证组，建立分类器模型，使用样本丝锭数据建立纤维质量等级分类器，并用验证组数据验证模型精确度。
较佳的，所述步骤S01中，使用基于红外(成像)光谱技术的检测系统对样本的光谱数据进行采集，并对获得的数据进行去中心化、标准化、求导等数据预处理。
较佳的，所述步骤S02是最大化分类器性能的基础，其提取数据的光谱信息与空间信息，并去除干扰信息，为分类器训练提供原始数据，使用主成分分析(PCA)、等距映射(Isomap)、费希尔判别分析(LDA)等方法对各个分级的丝锭数据进行特征提取或特征选取。以使用主成分分析(PCA)为例：以最大方差思想计算获取各个主成分，选取方差贡献率超过99％的前若干个主成分作为特征信息。通过特征选取或特征提取操作，剔除了无关或干扰谱段，获取了与纤维质量等级相关度较高的谱段，减少了光谱数据的数据计算量，可以提升后续机器学习算法的性能。
较佳的，所述步骤S03对于纤维质量检测效果有着最为直接的，最为重要的影响，其所用的分类器模型、训练方法直接决定了分类器的分类效果，通过随机算法将步骤S02获得的数据分为训练组与验证组，使用训练组丝锭的数据及其质量等级作为训练数据，使用支持向量机(SVM)、人工神经网络(ANN)、深度神经网络(DNN)、随机森林(RF)等模型构造分类器，将训练数据投入分类器中，使用核方法、梯度下降法进行参数学习，并使用验证组测试分类器分类效果，防止过拟合或欠拟合。在缺乏样本标签的情况下也可使用无监督聚类方法进行质量等级分类。
2.检测步骤如下：
S01、使用基于红外(成像)光谱技术的检测系统采集待测丝锭红外(成像)光谱数据，并进行数据预处理。
S02、使用特征选取或特征提取算法提取待测数据关键特征。
S03、将采集得到的数据输入训练步骤中完成训练的分类器中，获得纤维丝锭的质量等级。
较佳的，所述检测步骤S01中，使用与训练步骤S01中相同的数据预处理算法。
较佳的，所述检测步骤S02中，使用与训练步骤S02中相同的特征选取或特征提取算法提取相同的特征。
本发明方法也是一种纤维染色均匀性检测方法，本发明所述方法基于红外(成像)光谱技术，使用红外(成像)光谱技术同时采集化纤的空间维与光谱维数据，传入上位机进行数据处理。通过本发明方法可实现基于多影响参数的、不需要织袜染色操作的化纤质量快速检测、以及产品的准确分级。本发明与现有方法相比，具有以下优势：
(1)本发明中的检测方法无需进行织造、染色操作，可节省大量检测时间及检测成本。
(2)本发明可对丝锭外表面多个位置进行检测，具有更高的代表性，有助于提高检测结果的可信度。
(3)本发明不仅能获得丝锭整体对应的质量等级，还可以获得丝锭表面不同位置对应的质量等级，丝锭的均匀性等信息。
(4)本方法采用软件算法推算各个检测样品的质量等级，硬件简单且数量少，易于更改，灵活简便。
附图说明
图1为一种检测系统具体实例示意图。
图2为现行标准规定的织袜染色法的流程。
图3为本发明所提出的用于纤维质量分级的在线检测方法示意图。
图4为聚酯纤维红外光谱图。
具体实施方式
下面结合附图及具体实例对本发明作进一步说明，但不对本发明加以任何形式的限制。基于本发明要求所作的一些变形与改进，均受到本发明保护。
实施例1
一种检测系统用以实现上述的纤维质量等级在线检测方法，该系统由红外光谱仪、光纤探头、纤维或纤维线盘夹持及摆扫装置、数据收集与处理装置组成，如附图1所示。
所述红外光谱仪用于采集样品的透射或反射红外光谱数据，并将其输出至数据收集处理装置。
所述光纤探头用于采集样品的透射或反射红外光谱，并将其传输到红外光谱仪。典型的聚酯纤维红外光谱如图4所示。
所述纤维或纤维线盘夹持及摆扫装置(样品夹持及摆扫装置)用于夹持纤维样品，并在检测时，与光纤探头配合采集样品表面不同位置的红外光谱。
所述数据收集与处理装置(样品收集处理装置)用于收集样品红外光谱数据，形成数据库，使用上述的纤维质量等级在线检测方法对待测纤维产品数据进行质量检测，并输出质量判定结果。
在本实施例中使用中红外傅里叶变换红外光谱仪，样本被固定于夹持(摆扫)机构上，夹持(摆扫)机构受高精度步进电机驱动，实现摆扫运动，在不同位置停下，并通过光纤探头采集红外光谱，从而获取待测样品的红外光谱数据。
在本实施例中使用光纤、高性能工业计算机构成数据采集与处理装置。训练完成的模型被预存于高性能工业计算机中，在光谱仪采集到红外光谱数据后，通过光纤将数据实时传至高性能计算机，实现纤维质量等级的在线快速检测。
一种涤纶纤维质量等级检测的方法，基于如上的纤维质量等级检测装置实现，包括训练步骤与检测步骤，如图3所示。
其中训练步骤是指利用收集到的有质量等级标注的丝锭红外光谱数据，来使得设计的分类器学会如何根据丝锭的红外光谱数据对丝锭进行质量等级划分。在分类器成功学习数据分类，并在测试数据集上获得满足要求的分类精度后，就无需再进行训练步骤。在训练步骤完成后，就可依照检测步骤对纤维丝锭样品进行快速质量检测并分级。训练步骤具体操作如下：
步骤(1)样本收集：使用中红外傅里叶变换红外光谱仪在相同条件下采集1000条样本丝锭的中红外光谱，记录该样本丝锭在常规染判法下的分级，并对数据进行去中心化处理，获得数据X。
步骤(2)样本丝锭红外光谱数据特征提取：使用主成分分析(PCA)提取出数据主成分。PCA是目前应用最为广泛的数据降维方法，其通过计算样本数据的协方差矩阵来获取对应较大特征值的特征向量，两样本X与Y的协方差如式(1)所示，对n维数据若其降维前的特征为{x1,x2,…,xn}，则其协方差矩阵C如式(2)。在获取样品数据协方差矩阵C后，求取特征值与特征向量，选取方差贡献率大于99％的前若干个特征值所对应的特征向量组成矩阵P，并获取样本在这些以主成分为特征下的数据X1，X1由式(3)给出。
X1＝XP#(3)
步骤(3)分类器训练与验证：使用随机算法将样本数据X1随机分组，分为训练组(60)及验证组(40)，将步骤(2)中获得主成分数据作为训练输入数据，利用支持向量机(SVM)使用高斯径向基核函数(RBF)以一对多的组合形式建立非线性多分类器，实现对样本的分级，并使用验证组验证分级精度。高斯径向基函数如式(4)所示。
在检测步骤中，通过红外光谱仪采集待测纤维丝锭样品的红外光谱数据，并通过在训练步骤中完成训练完成的分类器对数据进行分级，从而获得纤维丝锭的质量分级。具体操作步骤如下：
步骤(4)待测丝锭检测：使用红外光谱仪采集待测样品数据，并对数据进行去中心化处理，获得数据Y。
步骤(5)待测丝锭红外光谱数据特征提取：使用与步骤(2)相同的主成分作为待测丝锭的特征谱段，并计算出新的数据Y1。
步骤(6)待测丝锭分级推算：将步骤(5)获得的经过特征提取所得的数据Y1输入步骤(3)训练好的回归模型及分类器中，获得待测丝锭结晶度等参数的整体数据及局部分布，并获得待测丝锭的分级结果。
相比之下，同样的待测丝锭，使用常规染判法进行染色均匀度测量，需要进行织造、染色操作，耗时较长，成本较高，且样本代表性较低，无法进行快速在线检测。
实施例2
一种检测系统用以实现上述的纤维质量等级在线检测方法，该系统由红外成像光谱仪、光纤探头、纤维或纤维线盘夹持及摆扫装置、数据收集与处理装置组成。
所述红外成像光成像谱仪用于采集样品的透射或反射红外成像光谱数据，并将其输出至数据收集处理装置。
所述光纤探头用于采集样品的透射或反射红外成像光谱，并将其传输到红外成像光谱仪。
所述样品夹持(摆扫)机构用于夹持纤维样品，并在检测时，与光纤探头配合采集样品表面不同位置的红外成像光谱。
所述样品收集处理装置用于收集样品红外成像光谱数据，形成数据库，使用上述的纤维质量等级在线检测方法对待测纤维产品数据进行质量检测，并输出质量判定结果。
在本实施例中使用摆扫式近红外成像光谱仪，样本被固定于夹持(摆扫)机构上，夹持(摆扫)机构受高精度步进电机驱动，实现摆扫运动，在不同位置停下，并通过光纤探头采集红外成像光谱，从而获取待测样品的高光谱数据。
在本实施例中使用光纤、高性能工业计算机构成数据采集与处理装置。训练完成的模型被预存于高性能工业计算机中，在光谱仪采集到红外成像光谱数据后，通过光纤将数据实时传至高性能计算机，实现纤维质量等级的在线快速检测。
一种涤纶纤维质量等级检测的方法，基于如上的纤维质量等级检测装置实现，包括训练步骤与检测步骤。在训练与检测步骤中使用了带全反射装置的红外成像光谱仪，改善检测效果。训练步骤具体操作如下：
步骤(1)样本收集：使用摆扫式近红外成像光谱仪在相同条件下采集1000条样本丝锭的中成像光谱数据，记录该样本丝锭在常规染判法下的分级，并对数据进行去中心化处理，获得数据X。
步骤(2)样本丝锭成像光谱数据特征提取：使用主成分分析(PCA)提取出光谱维数据主成分，并选取方差贡献率大于99％的前若干个主成分，并获取样本在这些以主成分为特征下的数据X1。之后使用尺寸为1、5、7的碟形形态学结构元素(SE)进行开、闭运算从X_1中提取空间维信息，分别获得数据X2、X3、X4。
步骤(3)分类器训练与验证：使用随机算法将样本数据随机分组，分为训练组(60)及验证组(40)，将步骤(2)中获得的数据X1、X2、X3、X4分别计算高斯核函数(RBF)K1、K2、K3、K4，并将K1、K2、K3、K4组合获得核函数K，如公式(5)所示，并使用K计算并建立支持向量机(SVM)以一对多的组合形式建立非线性多分类器，实现对样本的质量分级，并使用验证组验证质量分级准确性。
在检测步骤中，通过红外成像光谱仪采集待测纤维丝锭样品的红外成像光谱数据，并通过在训练步骤中完成训练完成的分类器对数据进行分级，从而获得纤维丝锭的质量分级。具体操作步骤如下：
步骤(4)待测丝锭检测：使用红外成像光谱仪采集待测样品数据，并对数据进行去中心化处理，获得数据Y。
步骤(5)待测丝锭红外成像光谱数据特征提取：使用与步骤(2)相同的碟形形态学结构元素获得特征数据Y1、Y2、Y3、Y4。
步骤(6)待测丝锭分级推算：将步骤(5)获得的经过特征提取所得的数据Y1、Y2、Y3、Y4输入步骤(3)训练好的回归模型及分类器中，获得待测丝锭染色性能。
Claims (8)
1.一种纤维质量等级在线检测系统，其特征在于，该由红外光谱仪、光纤探头、纤维或纤维线盘夹持及摆扫装置、数据收集与处理装置组成，其中：
所述红外光谱仪用于采集样品的透射或反射红外光谱数据，并将其输出至数据收集处理装置；
所述光纤探头用于采集样品的透射或反射红外光谱，并将其传输到红外光谱仪；
所述纤维或纤维线盘夹持及摆扫装置用于夹持纤维样品，并在检测时，与光纤探头配合采集样品表面不同位置的红外光谱；
所述样品收集与处理装置用于收集样品红外光谱数据，形成数据库，使用上述的纤维质量等级在线检测方法对待测纤维产品数据进行质量检测，并输出质量判定结果；
通过红外光谱仪与纤维或纤维线盘夹持及摆扫装置协同作用采集纤维不同位置的红外光谱，通过数据收集与处理装置对光谱数据进行分析处理，实现对某种纤维的质量判定模型建模并完成纤维质量等级的判定。
2.一种纤维质量等级在线检测方法，其特征在于，包括训练步骤与检测步骤，其中训练步骤是指利用收集到的有质量等级标注的丝锭红外(成像)光谱数据，使设计的分类器学会如何根据丝锭数据对丝锭进行质量等级划分；检测步骤是依照检测步骤对纤维丝锭样品进行快速质量检测以及等级判定，是使用红外(成像)光谱仪以相同方式采集待测纤维丝锭样品的红外光谱(成像)数据，并使用在训练步骤中获得的分类器对数据进行分级，从而获得纤维丝锭最终的质量分级。
3.根据权利要求2所述的方法，其特征在于，具体通过以下步骤实现：
(1)训练步骤：
S01：使用基于红外(成像)光谱技术的检测系统采集样本丝锭光谱数据，并记录其在纤维染判法下确定的等级，进行数据预处理；
S02：使用特征选取或特征提取算法提取关键特征；
S03：将样本数据使用随机算法随机分为训练组与验证组，建立分类器模型，使用样本丝锭数据建立纤维质量等级分类器，并用验证组数据验证模型精确度；
(2)检测步骤：
S01：使用基于红外(成像)光谱技术的检测系统采集待测丝锭红外(成像)光谱数据，并进行数据预处理。
S02：使用特征选取或特征提取算法提取待测数据关键特征。
S03：将采集得到的数据输入训练步骤中完成训练的分类器中，获得纤维丝锭的质量等级。
4.根据权利要求3所述的方法，其特征在于，所述训练步骤中的S01中，使用基于红外(成像)光谱技术的检测系统对样本的光谱数据进行采集，并对获得的数据进行去中心化、标准化、求导等数据预处理。
5.根据权利要求3所述的方法，其特征在于，所述训练步骤中的S02是最大化分类器性能的基础，其提取数据的光谱信息与空间信息，并去除干扰信息，为分类器训练提供原始数据，使用主成分分析、等距映射、费希尔判别分析方法对各个分级的丝锭数据进行特征提取或特征选取，以使用主成分分析为例：以最大方差思想计算获取各个主成分，选取方差贡献率超过99％的前若干个主成分作为特征信息，通过特征选取或特征提取操作，剔除了无关或干扰谱段，获取了与纤维质量等级相关度较高的谱段，减少了光谱数据的数据计算量，提升后续机器学习算法的性能。
6.根据权利要求3所述的方法，其特征在于，所述训练步骤中的S03对于纤维质量检测效果有着直接的影响，其所用的分类器模型、训练方法直接决定了分类器的分类效果，通过随机算法将步骤S02获得的数据分为训练组与验证组，使用训练组丝锭的数据及其质量等级作为训练数据，使用支持向量机、人工神经网络、深度神经网络、随机森林模型构造分类器，将训练数据投入分类器中，使用核方法、梯度下降法进行参数学习，并使用验证组测试分类器分类效果，防止过拟合或欠拟合；或在缺乏样本标签的情况下使用无监督聚类方法进行质量等级分类。
7.根据权利要求3所述的方法，其特征在于，所述检测步骤S01中，使用与训练步骤S01中相同的数据预处理算法。
8.根据权利要求3所述的方法，其特征在于，所述检测步骤S02中，使用与训练步骤S02中相同的特征选取或特征提取算法提取相同的特征。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011409720.5A CN112649391A (zh) | 2020-12-03 | 2020-12-03 | 一种纤维质量等级在线检测系统及其应用 |
| PCT/CN2021/112673 WO2022116594A1 (zh) | 2020-12-03 | 2021-08-16 | 一种纤维质量等级在线检测系统及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011409720.5A CN112649391A (zh) | 2020-12-03 | 2020-12-03 | 一种纤维质量等级在线检测系统及其应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112649391A true CN112649391A (zh) | 2021-04-13 |
Family
ID=75350866
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011409720.5A Pending CN112649391A (zh) | 2020-12-03 | 2020-12-03 | 一种纤维质量等级在线检测系统及其应用 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112649391A (zh) |
| WO (1) | WO2022116594A1 (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022116594A1 (zh) * | 2020-12-03 | 2022-06-09 | 浙江大学 | 一种纤维质量等级在线检测系统及其应用 |
| CN114648532A (zh) * | 2022-05-23 | 2022-06-21 | 河南银金达新材料股份有限公司 | 一种基于光学识别的聚酯膜力学性能检测装置 |
| CN114782562A (zh) * | 2022-06-18 | 2022-07-22 | 南通寝尚纺织品有限公司 | 基于数据识别的服装布料浸染监测方法及人工智能系统 |
| WO2022256962A1 (zh) * | 2021-06-07 | 2022-12-15 | 浙江大学 | 一种高维材质的自由式采集方法 |
| CN116796159A (zh) * | 2023-08-17 | 2023-09-22 | 浙江恒逸石化有限公司 | 染色效果预测方法、染色效果预测模型的训练方法和装置 |
| CN117740727A (zh) * | 2024-02-19 | 2024-03-22 | 南京信息工程大学 | 一种基于红外高光谱的纺织品成分定量反演方法 |
| CN117740727B (zh) * | 2024-02-19 | 2024-05-14 | 南京信息工程大学 | 一种基于红外高光谱的纺织品成分定量反演方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117451691B (zh) * | 2023-12-21 | 2024-04-02 | 浙江恒逸石化有限公司 | 一种用于预先判断纱线染色性能的方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0968466A (ja) * | 1995-08-31 | 1997-03-11 | Toray Ind Inc | 繊維の染色濃淡度の測定方法およびその装置 |
| CN101021473A (zh) * | 2007-03-28 | 2007-08-22 | 中国计量学院 | 一种检测服装面料成分及含量的检测仪 |
| CN204359682U (zh) * | 2014-12-25 | 2015-05-27 | 江西出入境检验检疫局检验检疫综合技术中心 | 一种基于wifi技术的纺织纤维测定近红外光谱仪 |
| CN104931454A (zh) * | 2015-06-23 | 2015-09-23 | 浙江理工大学 | 一种利用近红外光谱分析技术快速测定纺织品中莱卡纤维含量的方法 |
| CN106153572A (zh) * | 2015-04-14 | 2016-11-23 | 佛山市顺德区美的电热电器制造有限公司 | 纺织物检测方法 |
| CN107179290A (zh) * | 2017-05-09 | 2017-09-19 | 南京鞋局信息技术有限公司 | 一种红外鉴别纤维面料的方法与应用 |
| WO2018074002A1 (ja) * | 2016-10-18 | 2018-04-26 | 一般財団法人ニッセンケン品質評価センター | 繊維鑑別方法 |
| CN108061724A (zh) * | 2017-12-05 | 2018-05-22 | 新疆维吾尔自治区分析测试研究院 | 新疆彩棉内在品质近红外光谱无损快速检测方法 |
| CN109034261A (zh) * | 2018-08-10 | 2018-12-18 | 武汉工程大学 | 一种基于支持向量机的近红外光谱数据分析方法 |
| CN110887841A (zh) * | 2019-12-24 | 2020-03-17 | 江西服装学院 | 一种红外面料检测装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106645005B (zh) * | 2016-12-30 | 2019-04-09 | 香港皆能（亚洲）有限公司北京代表处 | 非破坏性废旧服装纺织品快速鉴别分拣方法 |
| CN108489928B (zh) * | 2018-03-15 | 2020-08-11 | 杭州一土网络科技有限公司 | 一种短波红外消光光谱纺织品纤维成分检测方法 |
| US11067501B2 (en) * | 2019-03-29 | 2021-07-20 | Inspectorio, Inc. | Fabric validation using spectral measurement |
| CN112649391A (zh) * | 2020-12-03 | 2021-04-13 | 浙江大学 | 一种纤维质量等级在线检测系统及其应用 |
-
2020
- 2020-12-03 CN CN202011409720.5A patent/CN112649391A/zh active Pending
-
2021
- 2021-08-16 WO PCT/CN2021/112673 patent/WO2022116594A1/zh active Application Filing
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0968466A (ja) * | 1995-08-31 | 1997-03-11 | Toray Ind Inc | 繊維の染色濃淡度の測定方法およびその装置 |
| CN101021473A (zh) * | 2007-03-28 | 2007-08-22 | 中国计量学院 | 一种检测服装面料成分及含量的检测仪 |
| CN204359682U (zh) * | 2014-12-25 | 2015-05-27 | 江西出入境检验检疫局检验检疫综合技术中心 | 一种基于wifi技术的纺织纤维测定近红外光谱仪 |
| CN106153572A (zh) * | 2015-04-14 | 2016-11-23 | 佛山市顺德区美的电热电器制造有限公司 | 纺织物检测方法 |
| CN104931454A (zh) * | 2015-06-23 | 2015-09-23 | 浙江理工大学 | 一种利用近红外光谱分析技术快速测定纺织品中莱卡纤维含量的方法 |
| WO2018074002A1 (ja) * | 2016-10-18 | 2018-04-26 | 一般財団法人ニッセンケン品質評価センター | 繊維鑑別方法 |
| CN107179290A (zh) * | 2017-05-09 | 2017-09-19 | 南京鞋局信息技术有限公司 | 一种红外鉴别纤维面料的方法与应用 |
| CN108061724A (zh) * | 2017-12-05 | 2018-05-22 | 新疆维吾尔自治区分析测试研究院 | 新疆彩棉内在品质近红外光谱无损快速检测方法 |
| CN109034261A (zh) * | 2018-08-10 | 2018-12-18 | 武汉工程大学 | 一种基于支持向量机的近红外光谱数据分析方法 |
| CN110887841A (zh) * | 2019-12-24 | 2020-03-17 | 江西服装学院 | 一种红外面料检测装置 |
Non-Patent Citations (10)
| Title |
|---|
| WANG DONGHUI: "Fast qualitative analysis of textile fiber in near infrared spectroscopy based on support vector machine", 《PROCEEDINGS OF SPIE》 * |
| 任化伟等: "纤维反射红外特征光谱分析", 《武汉科技学院学报》 * |
| 党旭艳: "超细纤维及其染色均匀性检验", 《纺织科技进展》 * |
| 刘荣欣: "基于近红外光谱法快速检测毛涤混纺织物中的纤维含量", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》 * |
| 刘荣欣等: "基于近红外光谱法快速检测毛涤织物中的纤维含量", 《合成纤维》 * |
| 吴桂芳等: "应用可见/近红外光谱进行纺织纤维鉴别的研究", 《光谱学与光谱分析》 * |
| 周叶: "《基于新异类检测和支持向量机的水电机组诊断技术》", 30 June 2015 * |
| 李霆等: "袜套自动辨色分级专家系统设计与应用", 《计算机应用》 * |
| 霍红 等: "《纺织品检验学 第2版》", 30 June 2014, 中国财富出版社 * |
| 黄兴阳等: "近红外光谱法用于纺织品定量分析的研究", 《中国纤检》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022116594A1 (zh) * | 2020-12-03 | 2022-06-09 | 浙江大学 | 一种纤维质量等级在线检测系统及其应用 |
| WO2022256962A1 (zh) * | 2021-06-07 | 2022-12-15 | 浙江大学 | 一种高维材质的自由式采集方法 |
| CN114648532A (zh) * | 2022-05-23 | 2022-06-21 | 河南银金达新材料股份有限公司 | 一种基于光学识别的聚酯膜力学性能检测装置 |
| CN114648532B (zh) * | 2022-05-23 | 2022-08-23 | 河南银金达新材料股份有限公司 | 一种基于光学识别的聚酯膜力学性能检测装置 |
| CN114782562A (zh) * | 2022-06-18 | 2022-07-22 | 南通寝尚纺织品有限公司 | 基于数据识别的服装布料浸染监测方法及人工智能系统 |
| CN114782562B (zh) * | 2022-06-18 | 2022-09-02 | 南通寝尚纺织品有限公司 | 基于数据识别的服装布料浸染监测方法及人工智能系统 |
| CN116796159A (zh) * | 2023-08-17 | 2023-09-22 | 浙江恒逸石化有限公司 | 染色效果预测方法、染色效果预测模型的训练方法和装置 |
| CN116796159B (zh) * | 2023-08-17 | 2023-11-17 | 浙江恒逸石化有限公司 | 染色效果预测方法、染色效果预测模型的训练方法和装置 |
| JP7436134B1 (ja) | 2023-08-17 | 2024-02-21 | チョーチアン ヘンイー ペトロケミカル カンパニー，リミテッド | 染色効果予測方法、染色効果予測モデルのトレーニング方法、装置、電子デバイス、記憶媒体、及びプログラム |
| CN117740727A (zh) * | 2024-02-19 | 2024-03-22 | 南京信息工程大学 | 一种基于红外高光谱的纺织品成分定量反演方法 |
| CN117740727B (zh) * | 2024-02-19 | 2024-05-14 | 南京信息工程大学 | 一种基于红外高光谱的纺织品成分定量反演方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022116594A1 (zh) | 2022-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112649391A (zh) | 一种纤维质量等级在线检测系统及其应用 | |
| CN109142317B (zh) | 一种基于随机森林模型的拉曼光谱物质识别方法 | |
| CN101876633B (zh) | 一种基于太赫兹时域光谱的纺织纤维鉴别方法 | |
| CN104568778B (zh) | 一种基于高光谱成像的纺织品成分鉴别方法 | |
| CN105224960B (zh) | 基于聚类算法的玉米种子高光谱图像分类识别模型更新方法 | |
| CN110717368A (zh) | 一种纺织品定性分类方法 | |
| WO2018121122A1 (zh) | 用于物品查验的拉曼光谱检测方法和电子设备 | |
| CN101419166A (zh) | 基于近红外光谱和机器视觉技术的茶叶品质无损检测方法及装置 | |
| CN106018332A (zh) | 一种柑桔黄龙病的近红外光谱田间检测方法 | |
| CN105181650B (zh) | 一种使用近红外光谱技术快速鉴别茶叶品种的方法 | |
| CN104730004B (zh) | 基于紫外漫反射光谱的纺织纤维的鉴别方法 | |
| CN102175648A (zh) | 近红外光谱鉴别贝母品种及检测其总生物碱含量的方法 | |
| CN109685098B (zh) | 一种模糊簇间分离聚类的茶叶品种分类方法 | |
| CN103411906A (zh) | 珍珠粉和贝壳粉的近红外光谱定性鉴别方法 | |
| CN110082310A (zh) | 一种橡胶树叶片氮素含量的近红外波段高光谱诊断方法 | |
| CN115905881A (zh) | 黄珍珠分类的方法以及装置、电子设备、存储介质 | |
| CN104318249A (zh) | 基于多分类支持向量机的磨削表面粗糙度等级识别方法 | |
| CN109190714A (zh) | 基于深度机器学习模型实现拉曼信号鉴别的系统及方法 | |
| CN108827907A (zh) | 一种基于近红外光谱对彩棉色度的快速测定方法 | |
| CN114112982A (zh) | 基于k-Shape的织物纤维成分定性方法 | |
| CN111398208B (zh) | 一种利用近红外技术对传统工艺翡翠进行快速鉴定的方法 | |
| CN106940292A (zh) | 基于多光谱成像技术的虫蛀巴旦木原料快速无损鉴别方法 | |
| Chen et al. | The feasibility study of non-destructive detection of cashmere by near-infrared spectroscopy and data driven-based class-modeling | |
| CN102890062A (zh) | 一种远红外功能纤维的鉴别方法 | |
| CN111307753B (zh) | 一种基于太赫兹技术的纤维材料检测系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210413 |