CN113686804A - 一种基于深度回归网络的纺织纤维成分无损清洁分析方法 - Google Patents
一种基于深度回归网络的纺织纤维成分无损清洁分析方法 Download PDFInfo
- Publication number
- CN113686804A CN113686804A CN202110950042.1A CN202110950042A CN113686804A CN 113686804 A CN113686804 A CN 113686804A CN 202110950042 A CN202110950042 A CN 202110950042A CN 113686804 A CN113686804 A CN 113686804A
- Authority
- CN
- China
- Prior art keywords
- data
- textile
- near infrared
- infrared spectrum
- regression network
- 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.)
- Granted
Links
- 239000004753 textile Substances 0.000 title claims abstract description 126
- 239000000835 fiber Substances 0.000 title claims abstract description 41
- 238000004458 analytical method Methods 0.000 title claims abstract description 36
- 238000004140 cleaning Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000002329 infrared spectrum Methods 0.000 claims description 69
- 239000000463 material Substances 0.000 claims description 36
- 239000004744 fabric Substances 0.000 claims description 34
- 238000000605 extraction Methods 0.000 claims description 33
- 238000009499 grossing Methods 0.000 claims description 21
- 230000009467 reduction Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 16
- 238000002156 mixing Methods 0.000 claims description 12
- 238000004445 quantitative analysis Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000001066 destructive effect Effects 0.000 claims description 9
- 238000012805 post-processing Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 8
- 229920000742 Cotton Polymers 0.000 claims description 6
- -1 modal Polymers 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000009795 derivation Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 244000025254 Cannabis sativa Species 0.000 claims description 4
- 235000012766 Cannabis sativa ssp. sativa var. sativa Nutrition 0.000 claims description 4
- 235000012765 Cannabis sativa ssp. sativa var. spontanea Nutrition 0.000 claims description 4
- 235000009120 camo Nutrition 0.000 claims description 4
- 235000005607 chanvre indien Nutrition 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 239000011487 hemp Substances 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 229920002972 Acrylic fiber Polymers 0.000 claims description 3
- 229920000433 Lyocell Polymers 0.000 claims description 3
- 239000004677 Nylon Substances 0.000 claims description 3
- 229920000297 Rayon Polymers 0.000 claims description 3
- 229920002334 Spandex Polymers 0.000 claims description 3
- 229920004933 Terylene® Polymers 0.000 claims description 3
- 210000000085 cashmere Anatomy 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 229920001778 nylon Polymers 0.000 claims description 3
- 239000005020 polyethylene terephthalate Substances 0.000 claims description 3
- 239000002964 rayon Substances 0.000 claims description 3
- 239000004759 spandex Substances 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 210000002268 wool Anatomy 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 description 9
- 238000011176 pooling Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000004497 NIR spectroscopy Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000005284 excitation Effects 0.000 description 3
- 238000004451 qualitative analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000208202 Linaceae Species 0.000 description 1
- 235000004431 Linum usitatissimum Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013519 translation 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
- G01N21/17—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
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- G01N2201/1296—Using chemometrical methods using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Treatment Of Fiber Materials (AREA)
- Preliminary Treatment Of Fibers (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供了一种基于深度回归网络的近红外纺织纤维成分无损清洁分析方法及应用该方法的模型,所述基于深度回归网络的近红外纺织纤维成分无损清洁分析方法针对纺织品近红外光谱数据特征,基于卷积神经网络、注意力机制等原理设计深度回归网络模型,实现近红外纺织纤维成分无损清洁自动分析,能够预测目标织物的组成成分类型及其混合材质中各组成材质的混合比例。
Description
技术领域
本发明涉及一种深度学习模型,尤其涉及一种基于深度回归网络的纺织纤维成分无损清洁分析方法及应用该方法的模型。
背景技术
近年来,随着人民生活水平的提高,对纺织品质量的要求也不断提升。市场上大量存在的有关纺织品成分标注不清、质量良莠不齐等现象,引发了对纺织品成分分析的高度需求。
传统的针对纺织品成分分析的检测方法大多基于物理或化学手段,需要将待检纺织品送至特定检测机构,运用相关仪器、设备,或使用特定化学检验技术进行检测,操作复杂,检测周期较长,易影响相关纺织品企业的正常经营流程。同时,此类纺织品检验方法不仅会对纺织品造成损耗,而且存在造成污染的可能性,与当下日益增长的环保理念并不一致。
相比之下,基于近红外光谱的纺织品成分分析方法无需使用化学试剂,具有无损、无污染、操作简单以及测试速度快等优势。2019年7月1日,《FZ/T 01144-2018纺织品纤维定量分析近红外光谱法》正式实施,标志着使用近红外光谱法进行纺织品纤维定量分析由研究领域进入应用阶段。这种方法主要覆盖两个任务:定性分析和定量分析。其中,定性分析指确定目标织物的组成成分类型,定量分析指确定混合材料各组成材质的混合比例。
现有的基于近红外光谱的纺织品成分分析技术大多基于统计学习的方法,在对纺织品近红外光谱数据进行简单预处理后,通过如支持向量机、随机森林、逻辑回归等浅层学习方法进行定性分析或定量分析。这类方法虽能够基本区分差异较大的光谱,但对于自然纤维中相似度高的光谱区分效果不佳,进而导致整体分析效果并不理想。本发明设计的一种基于深度回归网络的纺织纤维成分无损清洁分析方法,通过深度神经网络提取纺织品近红外光谱的高层特征,能够识别纺织品纤维成分间的细微差异,提高对如棉和亚麻等光谱特性相似度高的自然纤维的识别效果,实现针对纺织品12种常见成分的定量分析。
发明内容
为解决上述问题,本发明提供了一种基于深度回归网络的纺织纤维成分无损清洁分析方法,该方法基于纺织品近红外光谱数据,基于卷积神经网络、注意力机制等原理设计深度回归网络模型。所述纺织品近红外光谱数据,使用便携式近红外光谱仪,采集目标织物的近红外光谱信息;通过所述针对纺织品近红外光谱数据特征的深度回归网络模型,使用所述平滑与衍生数据进行模型训练,学习并区分纺织品近红外光谱特征,实现纺织纤维成分无损清洁分析,获得目标织物的组成成分类型及其混合材质中各组成材质的混合比例。
本发明提供的一种基于深度回归网络的纺织纤维成分无损清洁分析方法,所述基于深度回归网络的纺织纤维成分无损清洁分析方法实现针对目标织物的定量分析包括以下步骤:
S1:纺织品近红外光谱数据的清洗;
S2:纺织品近红外光谱数据标记与分组,构建纺织品近红外光谱数据库;
S3:针对纺织品近红外光谱数据特征,对纺织品近红外光谱数据库中的原始近红外光谱数据进行处理,实现数据平滑与衍生;
S4:通过所述针对纺织品近红外光谱数据特征的深度回归网络模型,使用所述平滑与衍生数据进行模型训练,学习纺织品近红外光谱特性;
S5:近红外纺织纤维成分分析,通过所述针对纺织品近红外光谱处理数据的特征提取方法及深度回归网络模型,对目标织物进行近红外光谱数据采集、数据处理、特征提取及模型判别,获得目标织物混合材质中各组成材质的混合比例。
所述纺织纤维成分分析方法步骤S2中进一步包括:S21:对于清洗后的纺织品近红外光谱数据,根据采集织物的组成成分类型及其混合材质中各组成材质的混合比例,对数据进行标记,构造光谱信息与材质及混合比例的对应关系; S22:所述织物的组成成分类型包括棉、人棉、莫代尔、天丝、涤纶、羊毛、氨纶、麻、尼龙、晴纶、真丝、羊绒等12种常见纯材质以及由以上材质组成的混纺织物,数据标记为上述12种纯材质以及由以上材质组成的混纺织物中各材质的含量。
所述纺织纤维成分分析方法步骤S3中的数据平滑与衍生进一步包括:S31:针对采集的纺织品近红外光谱原始数据,进行异常波形筛选,进一步排除错误采集的数据,并对正确采集时获得的异常波形数据进行分析,单独成组;S32:针对采集的纺织品近红外光谱原始数据,对正常波形数据进行数据降噪平滑,涉及算法包括傅里叶变换降噪、维纳滤波降噪、分段Savitzky-Golay平滑降噪、谱减法语音降噪、小波阈值去噪、多粒度经验模态分解等,能够根据近红外光谱数据实际情况进行针对去噪,实现数据平滑;S33:基于S32所述的数据平滑方法,由平滑数据生成衍生特征,实现数据维度扩充。
所述纺织品纤维成分分析方法步骤S4中的特征提取方法及深度回归网络模型进一步包括:S41:针对纺织品近红外光谱数据的数据特点,基于卷积神经网络、注意力机制等原理搭建针对纺织品近红外光谱数据的深度回归网络模型,包括特征提取与后处理等模块;S42:基于由所述纺织纤维成分无损清洁分析方法步骤S3中的数据平滑与衍生得到的多维数据,将该多维数据输入深度回归网络模型进行特征提取,获得输入多维数据的深度神经网络特征;S43:将获得的多维特征数据进行融合、全连接、Softmax等其它后处理,实现对目标织物的定量分析,预测目标织物中12种常见成分所占比例。
所述纺织纤维成分分析方法步骤S41中构建纺织品近红外数据特征提取模块又进一步包括:S411:纺织品近红外数据特征提取模块基于卷积神经网络原理搭建骨干网络,根据数据规模设计3层卷积、9层残差网络、18层残差网络、 LSTM、LSTM-FCN等结构进行替换;S412:特征提取模块在骨干网络基础上引入注意力机制,综合全局和局部信息,提取纺织品近红外关键特征。
所述步骤S41中的纺织品近红外数据特征提取模块,卷积神经网络根据数据量,基于多维3层卷积/9层残差网络/18层残差网络/LSTM/LSTM-FCN等模型,添加注意力机制,对于单个228维的纺织品近红外光谱数据,可得到6912 维的对应特征向量。
所述纺织纤维成分分析方法步骤S43中的深度回归网络模型又进一步包括:S431:深度回归网络基于特征提取模块输出的多维特征进行后处理,预测目标织物中12种常见成分所占比例;S432:针对特征提取模块输出的多维深度特征,将各维特征进行拼接,并通过全连接层控制维度;S433:通过全连接层获得12 维特征向量,设置Softmax层进行约束,得到12维的模型输出,分别对应12 种常见纯材质的含量。S434:深度回归网络的输出为对12种常见纯材质的含量预测值,且这12个预测结果的和为1。
所述步骤S43中的深度回归网络模型,对于如(80000,6912,5)的多维提取特征,在后处理过程中,在第3维度上进行特征拼接,可得到如(80000,34560)的高阶特征;设置若干全连接层降低维度,使得最后一个全连接层的输出为12维的向量,即可获得如(80000,12)的向量;通过Softmax层进行约束,使得12维向量值和为1,即表示这12维向量依次对应12种常见纯材质的含量。对应于如(80000,12)的向量,即可得到对应于这80000条数据的对于12种常见成分的含量预测结果。
本发明提出的基于深度回归网络的纺织纤维成分无损清洁分析方法及应用该方法的模型,针对纺织品近红外光谱数据特点,基于深度神经网络原理,对纺织品原始近红外光谱数据进行数据处理、特征提取与深度回归网络模型预测,能够实现纺织纤维成分分析,获得目标织物的组成成分类型及其混合材质中各组成材质的混合比例。
附图说明
图1为本发明提供的用户测试流程图。
图2为本发明涉及的纺织品近红外光谱正常波形示意图。
图3为本发明提供的纺织品近红外光谱数据清洗效果示意图。
图4为本发明提供的基于深度回归网络的纺织纤维成分无损清洁分析方法框架说明。
具体实施方式
下面结合附图详细说明本发明的具体实施例。然而,应当将本发明理解成并不局限于以下描述的这种实施方式,并且本发明的技术理念可以与其他公知技术或功能与那些公知技术相同的其他技术组合实施。
在以下具体实施例的说明中,为了清楚展示本发明的结构及工作方式,将借助诸多方向性词语进行描述,但是应当将“前”、“后”、“左”、“右”、“外”、“内”、“向外”、“向内”、“轴向”、“径向”等词语理解为方便用语,而不应当理解为限定性词语。
相关术语解释如下:
数据清洗:对数据进行重新审查和校验的过程,目的在于删除重复信息、纠正存在的错误,并提供数据一致性。
下面结合附图详细说明本发明的具体实施例。
基于深度回归网络的近红外纺织纤维成分无损清洁分析方法实现针对目标织物的定量分析包括包括步骤S1-S4具体如下:
1.步骤S1—纺织品近红外光谱数据的清洗
纺织品近红外光谱数据采集使用便携式近红外光谱仪,采集织物900至 1700纳米波段的近红外光谱特征。纺织品近红外光谱数据库中存在噪声或错误的数据,即需对近红外光谱数据异常波形进行检测,针对纺织品近红外光谱特性,基于波形标准差、贝赛尔曲线拟合指数等指标进行自动排查,人工采集时可进行进一步复核。图3对于排查出的部分异常数据进行了展示。
2.步骤S2—纺织品近红外光谱数据标记与分组,构建纺织品近红外光谱数据库
对于采集并清洗的纺织品近红外光谱数据,根据采集织物的组成成分类型及其混合材质中各组成材质的混合比例,对数据进行标记,构造光谱信息与材质及混合比例的对应关系。所述织物的组成成分类型包括棉、人棉、莫代尔、天丝、涤纶、羊毛、氨纶、麻、尼龙、晴纶、真丝、羊绒等12种常见材质,混合比例即为各材质在织物中的含量。
如采集织物为纯棉材质,则该织物对应标记为棉-1.0;如采集织物为棉45%麻55%混合材质,则该织物对应标记为棉-0.45、麻-0.55。将包含n种主要成分的织物视为n元组,总样本数为171080条,包含大量1/2/3/4元组数据。
3.步骤S3—原始近红外光谱数据处理,实现数据平滑与衍生
3.1异常波形筛选
针对采集的纺织品近红外光谱原始数据,进行第二轮异常波形筛选,进一步排除错误采集的数据,并对正确采集时获得的异常波形数据进行分析,单独成组。
3.2数据平滑降噪
针对采集的纺织品近红外光谱原始数据,对正常波形数据进行数据降噪平滑。假设输入的近红外光谱原始数据为x,傅里叶变换降噪后数据为x_fft,维纳滤波降噪后数据为x_wiener,分段Savitzky-Golay平滑降噪后数据为x_sav,小波阈值降噪后数据为x_wav,那么经过数据平滑降噪后,得到的就是这样若干维度的多个降噪后的平滑数据。
3.3数据维度扩充
基于3.2所述的数据平滑方法,由平滑数据生成衍生特征,实现数据维度扩充,具体表现则为x、x_fft、x_wiener、x_sav、x_wav等不同维数据在多粒度经验模态分解思想下的根据实际纺织品近红外光谱特性进行的拼接与融合。
具体表现为,在纺织品近红外光谱原始数据的基础上,基于上述多个降噪后数据,在第三维度上进行拼接,实现维度扩充。对于训练集103098条纺织品近红外光谱数据,原始数据维度为(103098,228),则每种平滑方法得到的平滑后数据维度均为(103098,228),结合原始数据拼接后得到的扩充后的数据维度即为 (103098,228,5)。对于测试集44461条纺织品近红外光谱数据,原始数据维度为 (44461,228),则每种平滑方法得到的平滑后数据维度均为(44461,228),结合原始数据拼接后得到的扩充后的数据维度即为(44461,228,5)。此外,对于数据量不足的类别,进行基于GAN的数据扩充,加入生成数据提高数据占比,优化训练结果。
4.步骤S4—特征提取方法及深度回归网络模型
4.1特征提取模块
卷积神经网络是一种前馈神经网络,其网络结构包含卷积层、池化层、激励层、全连接层等层次,也被称为“平移不变人工神经网络”。
卷积层内部包含多个卷积核,能够实现对输入数据的特征提取。对于一维的纺织品近红外光谱序列数据而言,卷积公式如下所示:
其中,h(k)表示卷积核,u(k)表示卷积信号。
池化层能够在连续的卷积层间实现数据和参数的压缩,减少计算资源的消耗,也能够在一定程度上控制过拟合。池化层包含预先设定的池化函数,能够将卷积层输出的特征图中单个点的值替换为其相邻区域的特征图统计量。常见的池化方法有均值池化、极大池化、随机池化等。本发明提供的深度回归网络模型使用的是极大池化方法,即在相邻区域内取极大值替换特征图中单个点的结果。
激励层将卷积层输出结果进行非线性映射,给模型加入非线性因素。常用激励函数有Sigmoid函数、tanh函数、ReLU函数及其改进型等。本发明提供的深度回归网络模型使用的是ReLU函数,其函数表达式如下:
f(x)=max(0,x)
全连接层本身不具备特征提取能力,但能够在现有的高阶特征基础上尝试完成学习目标。本发明提供的深度回归网络模型通过全连接层控制特征维度,使其输出目标维度的特征向量。
针对纺织品近红外光谱数据的数据特点,基于卷积神经网络、注意力机制等原理搭建纺织品近红外数据特征提取模块。基于由所述纺织纤维成分分析方法步骤S3中的数据平滑与衍生得到的多维数据,将该多维数据输入特征提取模块,获得输入多维数据的深度神经网络特征。
具体表现为,纺织品近红外数据特征提取模块中卷积神经网络根据数据规模基于多维3层卷积/9层残差网络/18层残差网络/LSTM/LSTM-FCN等结构,添加注意力机制,对于单个228维的纺织品近红外光谱数据,可得到6912维的对应特征向量。对于步骤S3中所述的多维特征,如(80000,228,5)的多维扩充数据,输入相应维度的5维特征提取模块,可得到相应维度的5维特征,即 (80000,6912,5)。对于训练集103098条纺织品近红外光谱数据,可得到相应维度的(103098,6912,5)深度神经网络特征;对于测试集44461条纺织品近红外光谱数据,可得到相应维度的(44461,6912,5)深度神经网络特征;对于用户实际测试时提供的单条纺织品近红外光谱数据,可得到相应维度的(1,6912,5)深度神经网络特征。
4.2后处理
针对纺织品近红外光谱数据的数据特点,基于卷积神经网络、注意力机制、投票、嵌入等机制原理,结合特征提取网络构建深度回归网络模型将获得的多维特征数据进行融合、全连接、Softmax等其它后处理,实现对目标织物的定量分析,预测目标织物中各常见成分所占比例。对于特征提取模块输出的多维特征,在第3维度上对其进行拼接,可得到单维度上的高阶特征;对于该高阶特征,设置若干全连接层控制维度,并添加Softmax层进行约束,得到12维输出向量;此时深度回归网络的输出为对12种常见材质的含量预测值,且这12个预测结果的和为1。
具体表现为,深度回归网络模型对于如(80000,6912,5)的多维提取特征,在后处理过程中,在第3维度上进行特征拼接,可得到如(80000,34560)的高阶特征;设置若干全连接层降低维度,使得最后一个全连接层的输出为12维的向量,即可获得如(80000,12)的向量;通过Softmax层进行约束,使得12维向量值和为1,即表示这12维向量依次对应12种常见纯材质的含量。对应于如 (80000,12)的向量,即可得到对应于这80000条数据的对于12种常见成分的含量预测结果。
图4为本发明提供的基于深度回归网络的纺织纤维成分分析方法框架说明,展示了针对单个纺织品近红外光谱数据进行的数据处理、特征提取与回归预测等操作流程,最后本发明提供的基于深度回归网络的纺织纤维成分无损清洁分析方法的应用模型输出对该织物的12种主要成分含量预测结果。
图1为本发明提供的用户测试纺织品规格流程图,其中描述了实时用户检测目标织物种12种常见材质含量的流程。
通过上述过程后,我们可以得到:通过针对纺织品近红外光谱数据特征设计的基于深度回归网络的纺织品纤维成分无损清洁分析方法能够对实时用户提供的目标织物近红外光谱数据进行处理与检测,对目标织物进行在线定量分析,预测织物中12种常见材质的含量。
Claims (6)
1.一种基于深度回归网络的近红外纺织纤维成分无损清洁分析方法,其特征在于,所述基于深度回归网络的近红外纺织纤维成分无损清洁分析方法实现针对目标织物的定量分析包括以下步骤:
S1:纺织品近红外光谱数据的清洗;
S2:纺织品近红外光谱数据标记与分组,构建纺织品近红外光谱数据库;
S3:针对纺织品近红外光谱数据特征,对纺织品近红外光谱数据库中的原始近红外光谱数据进行处理,实现数据平滑与衍生;
S4:通过所述针对纺织品近红外光谱数据特征的深度回归网络模型,使用所述平滑与衍生数据进行模型训练,学习纺织品近红外光谱特性;
S5:近红外纺织纤维成分分析,通过所述针对纺织品近红外光谱处理数据的特征提取方法及深度回归网络模型,对目标织物进行近红外光谱数据采集、数据处理、特征提取及模型判别,获得目标织物混合材质中各组成材质的混合比例。
2.如权利要求1所述的基于深度回归网络的近红外纺织纤维成分无损清洁分析方法,其特征在于:所述纺织纤维成分无损清洁分析方法步骤S2中进一步包括:
S21:对于采集并清洗的纺织品近红外光谱数据,根据采集织物的组成成分类型及其混合材质中各组成材质的混合比例,对数据进行标记,构造光谱信息与材质及混合比例的对应关系;
S22:所述织物的组成成分类型包括棉、人棉、莫代尔、天丝、涤纶、羊毛、氨纶、麻、尼龙、晴纶、真丝、羊绒等12种常见纯材质以及由以上材质组成的混纺织物,数据标记为上述12种纯材质以及由以上材质组成的混纺织物中各材质的含量。
3.如权利要求1所述的基于深度回归网络的近红外纺织纤维成分无损清洁分析方法,其特征在于:所述纺织纤维成分无损清洁分析方法步骤S3中的数据平滑与衍生进一步包括:
S31:针对采集的纺织品近红外光谱原始数据,进行异常波形筛选,进一步排除错误采集的数据,并对正确采集时获得的异常波形数据进行分析,单独成组;
S32:针对采集的纺织品近红外光谱原始数据,对正常波形数据进行数据降噪平滑,涉及算法包括傅里叶变换降噪、维纳滤波降噪、分段Savitzky-Golay平滑降噪、谱减法语音降噪、小波阈值去噪、多粒度经验模态分解等,能够根据近红外光谱数据实际情况进行针对去噪,实现数据平滑;
S33:基于S32所述的数据平滑方法,由平滑数据生成衍生特征,实现数据维度扩充。
4.如权利要求1所述的基于深度回归网络的近红外纺织纤维成分无损清洁分析方法,其特征在于:所述纺织纤维成分无损清洁分析方法步骤S4中的特征提取方法及深度回归网络模型进一步包括:
S41:针对纺织品近红外光谱数据的数据特点,基于卷积神经网络、注意力机制等原理搭建针对纺织品近红外光谱数据的深度回归网络模型,包括特征提取与后处理等模块;
S42:基于由所述纺织纤维成分无损清洁分析方法步骤S3中的数据平滑与衍生得到的多维数据,将该多维数据输入深度回归网络模型进行特征提取,获得输入多维数据的深度神经网络特征;
S43:将获得的多维特征数据进行融合、全连接、Softmax等其它后处理,实现对目标织物的定量分析,预测目标织物中12种常见成分所占比例。
5.如权利要求1所述的基于深度回归网络的近红外纺织纤维成分无损清洁分析方法,其特征在于:所述纺织纤维成分无损清洁分析方法步骤S41中纺织品近红外数据特征提取模块又进一步包括:
S411:纺织品近红外数据特征提取模块基于卷积神经网络原理搭建骨干网络,根据数据规模设计3层卷积、9层残差网络、18层残差网络、LSTM、LSTM-FCN等结构进行替换;
S412:特征提取模块在骨干网络基础上引入注意力机制,综合全局和局部信息,提取纺织品近红外关键特征。
6.如权利要求1所述的基于深度回归网络的近红外纺织纤维成分无损清洁分析方法,其特征在于:所述纺织纤维成分无损清洁分析方法步骤S43中的后处理步骤又进一步包括:
S431:深度回归网络基于特征提取模块输出的多维特征进行后处理,预测目标织物中12种常见成分所占比例;
S432:针对特征提取模块输出的多维深度特征,将各维特征进行拼接,并通过全连接层控制维度;
S433:通过全连接层获得12维特征向量,设置Softmax层进行约束,得到12维的模型输出,分别对应12种常见纯材质的含量。
S434:深度回归网络的输出为对12种常见纯材质的含量预测值,且这12个预测结果的和为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110950042.1A CN113686804B (zh) | 2021-08-18 | 2021-08-18 | 一种基于深度回归网络的纺织纤维成分无损清洁分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110950042.1A CN113686804B (zh) | 2021-08-18 | 2021-08-18 | 一种基于深度回归网络的纺织纤维成分无损清洁分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113686804A true CN113686804A (zh) | 2021-11-23 |
CN113686804B CN113686804B (zh) | 2023-05-16 |
Family
ID=78580485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110950042.1A Active CN113686804B (zh) | 2021-08-18 | 2021-08-18 | 一种基于深度回归网络的纺织纤维成分无损清洁分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113686804B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114136914A (zh) * | 2021-11-26 | 2022-03-04 | 复旦大学 | 一种基于双线性解混的织物纤维成分无损清洁分析方法 |
CN114264626A (zh) * | 2021-12-18 | 2022-04-01 | 复旦大学 | 一种基于时间序列残差网络的织物无损定量分析方法 |
CN115406852A (zh) * | 2021-12-28 | 2022-11-29 | 中山小池科技有限公司 | 基于多标签卷积神经网络的织物纤维成分定性方法 |
TWI818876B (zh) * | 2023-03-06 | 2023-10-11 | 適着三維科技股份有限公司 | 織物模擬裝置以及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090001262A1 (en) * | 2003-10-22 | 2009-01-01 | Erik Visser | System and Method for Spectral Analysis |
CN109784347A (zh) * | 2018-12-17 | 2019-05-21 | 西北工业大学 | 基于多尺度稠密卷积神经网络和谱注意力机制的图像分类方法 |
CN110175525A (zh) * | 2019-04-28 | 2019-08-27 | 浙江大学 | 一种耐盐黄秋葵品种快速筛选方法 |
CN110705372A (zh) * | 2019-09-10 | 2020-01-17 | 中国科学院上海技术物理研究所 | 基于深度学习卷积神经网络的libs多成分定量反演方法 |
CN111369500A (zh) * | 2020-02-21 | 2020-07-03 | 北京雪莲集团有限公司 | 基于红外光谱检测技术的纺织品分类识别方法 |
US20200309689A1 (en) * | 2019-03-29 | 2020-10-01 | Inspectorio Inc. | Fabric validation using spectral measurement |
-
2021
- 2021-08-18 CN CN202110950042.1A patent/CN113686804B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090001262A1 (en) * | 2003-10-22 | 2009-01-01 | Erik Visser | System and Method for Spectral Analysis |
CN109784347A (zh) * | 2018-12-17 | 2019-05-21 | 西北工业大学 | 基于多尺度稠密卷积神经网络和谱注意力机制的图像分类方法 |
US20200309689A1 (en) * | 2019-03-29 | 2020-10-01 | Inspectorio Inc. | Fabric validation using spectral measurement |
CN110175525A (zh) * | 2019-04-28 | 2019-08-27 | 浙江大学 | 一种耐盐黄秋葵品种快速筛选方法 |
CN110705372A (zh) * | 2019-09-10 | 2020-01-17 | 中国科学院上海技术物理研究所 | 基于深度学习卷积神经网络的libs多成分定量反演方法 |
CN111369500A (zh) * | 2020-02-21 | 2020-07-03 | 北京雪莲集团有限公司 | 基于红外光谱检测技术的纺织品分类识别方法 |
Non-Patent Citations (1)
Title |
---|
BO PENG ET AL: "Image-Signal Correlation Network for Textile Fiber Identification", 《ACM》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114136914A (zh) * | 2021-11-26 | 2022-03-04 | 复旦大学 | 一种基于双线性解混的织物纤维成分无损清洁分析方法 |
CN114136914B (zh) * | 2021-11-26 | 2023-12-22 | 复旦大学 | 一种基于双线性解混的织物纤维成分无损清洁分析方法 |
CN114264626A (zh) * | 2021-12-18 | 2022-04-01 | 复旦大学 | 一种基于时间序列残差网络的织物无损定量分析方法 |
CN115406852A (zh) * | 2021-12-28 | 2022-11-29 | 中山小池科技有限公司 | 基于多标签卷积神经网络的织物纤维成分定性方法 |
TWI818876B (zh) * | 2023-03-06 | 2023-10-11 | 適着三維科技股份有限公司 | 織物模擬裝置以及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113686804B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113686804B (zh) | 一种基于深度回归网络的纺织纤维成分无损清洁分析方法 | |
CN110717368A (zh) | 一种纺织品定性分类方法 | |
CN108392213B (zh) | 基于绘画心理学的心理分析方法及装置 | |
CN110232280A (zh) | 一种基于树结构卷积神经网络的软件安全漏洞检测方法 | |
CN112597038B (zh) | 软件缺陷预测方法及系统 | |
CN109460471B (zh) | 一种基于自学习的方式建立纤维种类图谱库的方法 | |
CN109886021A (zh) | 一种基于api全局词向量和分层循环神经网络的恶意代码检测方法 | |
CN113970532B (zh) | 基于近红外光谱的织物纤维成分检测系统和预测方法 | |
CN117524340A (zh) | 基于多层一维cnn深度网络的纺织品成份定量表征方法 | |
CN111562235A (zh) | 基于近红外光谱快速鉴别烟叶黑暴病害及感染程度的方法 | |
CN114112984B (zh) | 一种基于自注意力的织物纤维成分定性方法 | |
CN116702160B (zh) | 一种基于数据依赖增强程序切片的源代码漏洞检测方法 | |
CN116858822A (zh) | 一种基于机器学习和拉曼光谱的水体中磺胺嘧啶定量分析方法 | |
CN114414523A (zh) | 一种基于自动波段选择的纺织纤维成分定性方法 | |
CN104318260B (zh) | 一种基于分组支持向量机的裘皮近红外光谱鉴别的方法 | |
CN110458239A (zh) | 基于双通道卷积神经网络的恶意软件分类方法及系统 | |
CN109739746A (zh) | 一种基于原语句占优分析的变异测试方法 | |
CN115455407A (zh) | 一种基于机器学习的GitHub敏感信息泄露监控方法 | |
CN115406852A (zh) | 基于多标签卷积神经网络的织物纤维成分定性方法 | |
CN113970528B (zh) | 基于完全约束最小二乘法的纺织品成分解混方法 | |
CN114264626A (zh) | 一种基于时间序列残差网络的织物无损定量分析方法 | |
CN113591940B (zh) | 一种印染配色的多模型融合方法、装置、设备及介质 | |
CN113033623A (zh) | 基于紫外-可见吸收光谱的污染源识别方法及系统 | |
WO2021253874A1 (zh) | 卷烟主流烟气光谱数据的感官评价方法 | |
CN114088657B (zh) | 基于深度编解码器的纺织纤维成分分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |