CN115406852A - 基于多标签卷积神经网络的织物纤维成分定性方法 - Google Patents
基于多标签卷积神经网络的织物纤维成分定性方法 Download PDFInfo
- Publication number
- CN115406852A CN115406852A CN202110997044.6A CN202110997044A CN115406852A CN 115406852 A CN115406852 A CN 115406852A CN 202110997044 A CN202110997044 A CN 202110997044A CN 115406852 A CN115406852 A CN 115406852A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- component
- neural network
- fabric fiber
- label
- 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 93
- 239000004744 fabric Substances 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 46
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 29
- 239000000463 material Substances 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 13
- 239000000203 mixture Substances 0.000 claims description 12
- 229920000742 Cotton Polymers 0.000 claims description 10
- 229920002334 Spandex Polymers 0.000 claims description 10
- 239000005020 polyethylene terephthalate Substances 0.000 claims description 10
- 239000004759 spandex Substances 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 239000004753 textile Substances 0.000 claims description 9
- 244000025254 Cannabis sativa Species 0.000 claims description 8
- 235000012766 Cannabis sativa ssp. sativa var. sativa Nutrition 0.000 claims description 8
- 235000012765 Cannabis sativa ssp. sativa var. spontanea Nutrition 0.000 claims description 8
- 229920000433 Lyocell Polymers 0.000 claims description 8
- 239000004677 Nylon Substances 0.000 claims description 8
- 229920000297 Rayon Polymers 0.000 claims description 8
- 229920004933 Terylene® Polymers 0.000 claims description 8
- 235000009120 camo Nutrition 0.000 claims description 8
- 210000000085 cashmere Anatomy 0.000 claims description 8
- 235000005607 chanvre indien Nutrition 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 8
- 239000011487 hemp Substances 0.000 claims description 8
- -1 modal Polymers 0.000 claims description 8
- 229920001778 nylon Polymers 0.000 claims description 8
- 239000002964 rayon Substances 0.000 claims description 8
- 210000002268 wool Anatomy 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- NIXOWILDQLNWCW-UHFFFAOYSA-N acrylic acid group Chemical group C(C=C)(=O)O NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 3
- 230000007717 exclusion Effects 0.000 claims 1
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000012795 verification Methods 0.000 description 13
- 238000001228 spectrum Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 238000010200 validation analysis Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 4
- 229920002972 Acrylic fiber Polymers 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 229920004934 Dacron® Polymers 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000012237 artificial material Substances 0.000 description 1
- 244000309464 bull Species 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 239000002861 polymer material Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000011179 visual inspection 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
- 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
-
- 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)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Theoretical Computer Science (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Image Processing (AREA)
Abstract
本发明提出了基于多标签卷积神经网络的织物纤维成分定性方法,设计了基于多标签分类卷积神经网络的织物纤维成分分析模型。该模型对织物纤维近红外光谱序列数据分类,将卷积神经网络、多标签分类结合,使用深度学习中的卷积神经网络以增加特征提取能力;基于多标签分类方法将混合织物纤维成分之间存在的指数级的组合关系转化到多个二分关系,提升对混合成分上每成分判断能力,降低单元或多元成分问题的复杂度,增强了组合分类的可扩展性。经过数据对模型的训练和验证后,该模型对待测织物纤维的近红外光谱数据进行推理计算,可获得织物纤维成分分析的定性结果,即实现端到端的织物纤维成分自动定性检测。
Description
技术领域
本发明涉及织物纤维成分定性方法,尤其是涉及基于多标签卷积神经网络的织物纤维成 分定性方法,设计了基于多标签分类卷积神经网络的织物纤维成分分析模型。
背景技术
随着人工智能技术(AI)的热潮和普及,工业智能作为AI一个重要落脚点,存在诸多前 景可观的应用领域。纺织业与人们的“衣食住行”息息相关,也是重要的工业领域。在纺织 业中,对于织物纤维成分种类的鉴定十分必要,现有技术对于织物纤维成分分类的方法主要 分为智能和非智能的方法。
非智能的方法,即在工业上传统的织物纤维成分定性的方法,一般依赖于化学试剂或物 理外力,例如燃烧法、熔点法、手感目测法、显微镜切片分析法等。一般地,传统方法中需 将待检测的纤维样本进行物理切片、燃烧、化学溶解等操作,再进一步对织物纤维成分进行 分类定性。
现有的非智能的方法在织物纤维成分定性或定量时通常使用一定的化学、物理手段有损 地待测样本,往往一般需要专业机构和人员进行操作与试验,不易操作,且化学试剂或物理 仪器存在一定的安全性问题,并且可能导致环境污染。
智能的方法,即随着数字技术发展,一些机构和研究部门结合算法检测织物纤维的方法, 通常会使用光谱仪、显微镜等设备,结合传统数理统计或人工智能方法进行成分分类定性。
现有基于近红外光谱数据织物纤维成分分析方法具有一定的局限性:首先,当前的方法 大多使用基于传统的数理统计或浅层学习方法提取近红外光谱数据特征,再通过随机森林、 决策树、逻辑回归等方法对织物纤维定性,从而对数据特征提取能力有限;其次,当前的方 法将每种纯材质或材质混合作为一个类别,由于织物纤维具有多种不同成分及成分混合,当 前方法覆盖组合类别时问题的复杂度呈指数增长;最后,现有的方法依赖用于训练的织物纤 维光谱数据样本,只能够对学习样本中所覆盖的纯材质或混合材质进行分类,欠缺对待测样 本中不包含的混合材质进行分类的能力,模型的可拓展性较差。本发明所设计结合深度学习 的卷积神经网络能够更好地提取近红外光谱序列数据的深度特征,所设计的多标签分类方法 将混合织物纤维成分之间存在的指数级的组合关系转化为多个二分关系,提升了混纺多组分 的定性准确性,降低了多种材质类别组合时的问题复杂度,且在混纺多组分分类上具有一定 的可拓展性。
发明内容
为了克服现有技术中目前分类算法存在的缺陷和不足,本发明提供了基于多标签卷积神 经网络的织物纤维成分定性方法,在应用该方法的模型中,通过卷积神经网络从织物纤维近 红外光谱序列中提取深度序列数据特征,并结合多标签方法,使用多头分类器判断当前样本 的特征是否属于棉、麻、人棉、莫代尔、天丝、晴纶、涤纶、氨纶、羊毛、真丝、羊绒、尼 龙12种包含天然、人工的多种材质中的一个或多个;根据对不同成分的判断结果累计得出多 标签合并结果,最终得到该样本预测所含成分的元组数和组分信息。
本发明中使用便携的近红外设备扫描织物纤维待测样本表面来采集相关信息,避免了传 统方法的有损检测问题,大幅度降低了操作难度和时间;将近红外光谱序列数据输入到轻量 级的、卷积神经网络模型当中,该模型对织物纤维光谱信息有更好地提取能力和计算速度; 结合多头分类器对提取到的信息进行多标签分类,不仅解决了在棉、麻、人棉、莫代尔、天 丝、晴纶、涤纶、氨纶、羊毛、真丝、羊绒、尼龙12种材质上的单元组或多种元组的复杂分 类问题,还具有一定的组合拓展性。
其中,实现基于多标签卷积神经网络的织物纤维成分定性方法的过程包括以下步骤:
S1:采集织物纤维的近红外光谱数据;
S21:采集数据作为模型的训练和验证数据。使用近红外光谱仪按设备使用规范扫描 需要检测织物样本,获取近红外反射率数据,记录每个样本的成分标签;
S2:数据清洗、预处理、分组和存储;具体如下:
S21:将数据进行清洗,对于扫描时发生错误,可以重复S1进行补充采集或直接去除后进入下一步;
S22:对数据进行必要的重读、切分、去冗、平滑、降噪等预处理;
S23:将清洗和预处理后的数据及标签存入数据库,按一定比例划分为训练和验证集。
S3:织物纤维成分分类模型构造,具体过程如下:
S31:选择使用的数据波段和光谱类型;
S32:构造模型骨干网络,使用卷积神经网络适应近红外光谱的一维反射率数据,提 取数据的深度特征;所使用的卷积神经网络包括但不限于特定用于织物纤维成分分析的 ResNets、Inception、TapNet;且所增强的结构包括但不限于对其增加SE模块、GC Block模块、自注意力模块、增加网络深度为9、18、34、50、101、152层、增加网络宽度为2、 4、6、8中的一个或多个组合;
S33:构造多头分类器,使用多头二分类器判断提取的特征信息中是否存在某个成分, 得到一个由一个或多个成分构成的多标签集合,该集合所有判断为存在的成分的标签连 接后为预测类别结果; S4:织物纤维成分分类模型训练和验证,具体过程如下:
S41:适用数据不平衡的损失函数优化S32中多头的卷积神经网络的损失,通过优化算 法不断优化以尽可能最小化模型的损失值;
S42:使用准确率来评估模型性能,即将含有12种纯材质或12种材质组合的混纺织物 作为不同的成分类别,计算模型成分分类正确的准确率;
S43:将训练集和验证集放入模型中进行训练,对S3中的模型,重复S41~S42的过程, 直至模型在训练集和验证集上能够较好地拟合;
S44:重新划分训练集和验证集,对S3中的模型,重复S41~S42的过程进行交叉验证 直,至模型在训练集和验证集上均能够较好地拟合;
S45:取多次交叉验证的平均结果评估模型;
S5:织物纤维实时成分定性检测。
S51:采用近红外设备扫描织物纤维样本表面:
S52:通过蓝牙或有线途径向终端传输数据;
S53:终端将数据转发给服务器,对采集的数据过滤;
S54:服务器将数据输入模型当中推理,获取推理结果;
S55:用户得到推理结果,可将结果与织物纤维给出的织物标签比对。
本发明提出了基于多标签卷积神经网络的织物纤维成分定性方法,设计了应用该方法的 基于多标签分类卷积神经网络的织物纤维成分分析模型。首先,运用增强的卷积神经网络近 红外技术对织物纤维光谱序列数据提取特征,提升了对光谱序列数据的特征提取能力;其次, 该方法通过多标签分类覆盖了棉、麻、人棉、莫代尔、天丝、晴纶、涤纶、氨纶、羊毛、真 丝、羊绒、尼龙的12个天然或人工纯材质及其材质组合,覆盖范围广泛,解决了织物纤维成 分的多种纯材质及其材质组合的定性问题,且解决了传统算法对于混纺材质存在的类别复杂 度高、定性的识别率低、可拓展性差的问题;最后,使用轻量级多标签分类的卷积神经网络 实现了一个端到端的实时织物纤维成分检测方法,以方便、快速、低成本地对织物纤维类别 进行无损清洁检测甄别。
附图说明
图1为本发明提供的织物纤维成分定性方法流程图。
图2为本发明提供的一个基于多标签卷积神经网络的织物纤维成分分析模型架构图。
具体实施方式
下面结合附图详细说明本实用发明的具体实施例。应当将本发明理解且不限于一下描述 的这种实施方式,并且本实用发明的技术里面可以于其他公知技术或功能或与公知技术或公 功能相同的技术组合实施。
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:数据清洗(Data cleaning)–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。
近红外光谱:近红外光(Near Infrared,NIR)是介于可见光(ⅥS)和中红外光(MIR) 之间的电磁波,按ASTM(美国试验和材料检测协会)定义是指波长在780~2526nm范围内 的电磁波。通过扫描样品的近红外光谱,可以得到样品中有机分子含氢基团的特征信息。
成分分析:指通过微观谱图、激光飞秒等方法检测分子结构对产品或样品的成分进行分 析,对各个成分进行定性定量分析的技术方法。成分分析技术主要用于对未知物、未知成分 等进行分析,快速确定目标样品中的各种组成成分是什么,对样品进行定性定量分析,鉴别、 橡胶等高分子材料的材质、原材料、助剂、特定成分及含量、异物等。
训练、验证和测试集:在机器学习中,一般将样本分成独立的三部分训练集(Trainset), 验证集(Validation set)和测试集(Test set)。其中训练集用来估计模型,验证集用来确定网络结 构或者控制模型复杂程度的参数,而测试集则检验最终选择最优的模型的性能如何。
多头分类器:多头分类器即使用Multi-head方式的分类器。多头即Multi-head,多个头(head) 就是进行多次线性映射出不同的子区域表征空间,更加全面的挖掘不同位置在不同子空间下 的信息,同时此设计出于并行计算的考虑。
下面结合附图详细说明本发明的具体实施例。
参照图1,织物纤维成分定性方法流程图,包括步骤S1-S4具体如下:
1.步骤S1—采集数据作为模型的训练和验证数据;
1.1使用近红外光谱仪,选择900~1700nm之间的红外波段上228个单位上的反射率。将仪器设备按操作规范对一个样本可进行一个或多个的采样点的扫描采样,获取到 一维、228个单位长度的近红外反射率数据。
1.2根据合格的织物纤维样本的织物标签进行标注,每个光谱数据对应一个成分标签, 每个标签包含一个或多个元组成分;
2.步骤S2—数据清洗、预处理、分组和存储;
将数据进行清洗,如果扫描时发生错误,可重复S1进行补充采集。清洗后的数据划分为训练集T,验证集V,比例为7:3,预处理、分组和存储读取训练和验证数据。
3.步骤S3—织物纤维成分分类模型构造;
3.1选择使用的数据波段和光谱类型:对900~1700nm波长上228个单位的近红外反射 率光谱数据,对波段进行选择,以避免光谱数据两端受外界因素影响较大的波段,选取 原数据[0,228)区间上的[20,210)长度190的波段作为模型的输入波段,每次输入一个采样 点。
3.2模型主干网络设计与构造:该模型主干网络为一个残差卷积神经网络模块、一个 分支卷积神经网络模块,注意力模块,一个中间卷积层,一个池化层。
使用可处理一维序列数据的深度残差卷积神经网络提取一维光谱数据的深层特征, 分为四个残差卷积块;在每个卷积块后增加通道注意力;将残差卷积神经网络模块提取 的特征经过一个中间卷积层以适应大小至分支卷积神经网络模块;使用4个类似分支的卷积层作为分支卷积神经网络模块,经过不同的卷积操作后将特征并列连接以提升卷 积神经网络的宽度以扩大感受野,提取一维光谱数据的宽度特征;将分支卷积神经网 络模块提取的特征经过池化层以适应下一步的多头分类器。
其中,卷积的计算解释如下,对于二维数据卷积如图像处理的过程中,常使用到矩阵卷积来计算图像的特征,全卷积的定义式为:
假设X是m×m阶矩阵,K是n×n阶矩阵,Krot是由K旋转180°得到;
有效值卷积的定义式为:
特别地,对一维序列数据有一维离散数据卷积,全卷积的定义式为:
假设X是长度为m的序列,K是长度为n的序列,Krot是由K旋转180°得到。 一维离散数据有效值卷积的定义式为:
例如,输入层是第l-1层,它的输入的特征向量是X(l-1)(m),特征对应的卷积核 是K(l-1)(n),我们给每一个输出都加上一个偏置单元(bias term)B(l),有效值卷积层的 输出Z(l)(m-n+1)为:
参照图2,为一个具体的织物纤维成分分析模型架构图,主干网络为一个残差卷积神经网络模块、一个分支卷积神经网络模块,注意力模块,一个中间卷积层,一个池化 层;
具体表现为,该模型首先为一个残差卷积神经网络模块,具体为一个将Resnet9,即 Blocks块为[1,1,1,1];将ResNet9中所有的卷积计算置换为1x1的一维卷积操作,为适应 一维光谱序列数据大小,需要调整卷积核数和每个残差块通道数,对于3.1中一个大小(1,1,190)的光谱序列数据,通道数可设置为[8*8,16*8,32*8,64*8];第一层卷积后经过4个卷积块,分别名为Block1,Block2,Block3和Block4,每经过一次卷积块后均加入一 个GCBlock注意力模块att;深层特征提取后经过一个卷积、Batch Normalization和ReLu 的中间卷积结构mediaConv以适应特征大小至下一模块。
而后,该特征同时经过4个不同的由卷积、Batch Normalization、ReLu组成分支卷积 神经网络模块,分别名为Branch1,Branch2,Branch3和Branch4,第1个分支结构Branch1包含一个大小为1的一维卷积核的卷积操作,第2个分支结构Branch2包含两 个大小分别为1、3的一维卷积核的卷积操作、第3个分支结构Branch3包含三个大小分 别为1、3、3的一维卷积核的卷积操作,第4个分支结构Branch4包含一个池化层和一个 大小为1的一维卷积核的卷积操作;将提取的4个特征连接以提升网络宽度;最后通过 一个一维池化GapPooling操作,最终提取到一个大小为2034的特征向量。
3.3将卷积神经网络提取的特征通过多头二分类器进行多标签分类,每个分类器分 别判断是否存在包括棉、麻、人棉、莫代尔、天丝、晴纶、涤纶、氨纶、羊毛、真丝、 羊绒、尼龙12种成分,即分类结果由棉、麻、涤纶、氨纶等以上多种成分的存在与否构 成,即对于第i个训练样本,预测标签集为:
其中,C为成分种类数,C=12表示当前有棉、麻、人棉、莫代尔、天丝、晴纶、 涤纶、氨纶、羊毛、真丝、羊绒、尼龙12种成分。预测标签集由多头的Softmax激活 函数对所有成分二分类打分决定,即预测标签集对应一个由12种成分中一个或多个组成 的织物类别。对于第i个样本,其属和不属于的第c种成分的打分集合为:
其中C为成分种类数,则第c种成分的判别概率为:
pic=max(Sic)
该步骤中使用了多个Softmax激活函数联立打分:
最后,所有样本构成预测标签集:
具体表现为,对3.2中主干网络提取的大小为2034特征向量,分别经过12个(2034,256)的全连接层,再次经过12个(256,2)的全连接层,最后通过12个Softmax函数 打分,连接并输出联立打分,得到该条数据在每种成分上的预测值,每种成分存在或不 存在的概率之和为1,判断为存在的所有成分所构成的预测多标签集之和为该织物样本的 预测类别。
4.步骤S4-织物纤维成分分类模型训练和验证:
FL(pt)=-(1-pt)γlog(pt)
其中pt是该训练样本预测正确的概率,γ即伽马因子可以使减少易分类样本的损失,使 得样本更关注于困难样本。在模型对多头分类器进行优化时用到该损失函数的改进,对 于第i个样本的预测标签集:
有相应的预测概率:
根据上面的损失函数函数,得到一个多头分类的样本总损失:
该损失函数即可计算本模型中一个样本的计算结果在多个成分上的总损失。
具体表现为,取S3中模型输出的(2,12)个概率值,真实标签为大小为12的独热(One-hot)编码,求每一个成分预测值与真实标签之间的损失值,Focal Loss参数均设置gamma=2.0,alpha=0.25。
4.2为了验证训练过程和效果,每次迭代在模型上使用验证集V进行验证。其中使用准确率来衡量分类结果,定义第i个样本上
同时对于验证集V上的所有样本有,
其中,AccValid表示验证集V上的准确率值,N表示验证集V的样本个数,predi表示第i个样本预测的正误情况。根据该验证集确定网络结构或者控制模型复杂程度的参数,验证当前模型训练的效果和进度。
4.3训练过程将重复S3中模型的计算过程及S41~S42损失函数优化和模型评估过程, 其中将所有训练样本随机划分批次,在模型上基于Adam(Adaption momentestimation optimization algorithm,Adam)优化算法上迭代训练,每训练固定轮次后在验证集上验证, 直至模型收敛。
具体表现为,取批次大小为1024,迭代1000次,优化器使用Adam,学习率为0.00001, 权重衰减参数0.001,在GPU上进行并行计算,并更新保存在测试集合上准确率最好的 模型。
4.4模型训练至收敛后,重新按比例7∶3划分训练集和验证集,重复重复S3中模型的 计算过程及S41~S42损失函数优化和模型评估过程,直至模型收敛。
4.5取交叉验证的平均结果来确定网络结构,控制模型复杂程度的参数。
图1为本发明提供的织物纤维成分分类模型流程图,其中详细描述了本发明 的织物纤维成分分析的模型过程。
通过上述过程后,我们可以得到:基于多标签分类卷积神经网络的织物纤维成分分析模 型,可用该模型实时对织物纤维成分进行在线定性检测。
用户使用近红外设备扫描织物纤维表面后,将光谱数据通过蓝牙、有线等数据传输形式 上传至终端,终端将数据输入至提供推理计算的服务器或程序中。数据输入时需要进行异常 处理,即清洗或去除扫描错误的数据。首先对数据进行波段选择以适应模型的输入要求;其 次经过基于多标签分类卷积神经网络的织物纤维成分分析模型推理计算,该过程中光谱数据 通过一个残差神经网络后再通过多个并列的分支网路提取深度特征;接着将特征映射到多个 线性表征空间上,分别对应织物纤维的不同成分,每个表征空间后的分类器判别是否属于棉、 麻、人棉、莫代尔、天丝、晴纶、涤纶、氨纶、羊毛、真丝、羊绒、尼龙12种织物纤维成分, 并给出每个成分为“是”或“否”的概率,取概率大的一项作为成分存在性判断依据;最后取预 测存在的成分或成分集的连接,得到一个单元或多元的织物纤维成分,即预测结果,该预测 结果是对实时织物纤维检测定性。如果当前待测的样本有织物纤维规格标签,可将其与预测 结果比对,若预测结果与待测织物纤维声称的标签定性信息一致,说明该待测样本符合规格; 若不一致,说明在一定误差允许的范围内,待测样本可能不符合规格。
基于近红外光谱数据的织物纤维成分定性方法,应用该方法的模型包括一个基于多标签 分类卷积神经网络的织物纤维成分分析模型。其中,所述的卷积神经网络,是适应光谱数据 的卷积神经网络及其增强或变体;所述的多标签分类,是使用多头分类器的方法将不同织物 纤维成分之间存在的指数级的组合关系转化到多个二分关系的分类方法;所述的织物纤维成 分分析,是指该方法及其模型可利用近红外光谱进行分析从而对织物纤维成分分析和定性检 测。
人工智能在工业领域的应用前景可观。织物纤维行业中,面料的成分定性必不可少。传 统的方法存在环境污染、有损样本、操作复杂、耗时较长等特点。人们使用基于多标签分类 卷积神经网络的成分分析模型,简易操作近红外设备扫描待测的织物纤维样本,待样本数据 经过实时推理计算,即可预测出织物纤维样本中的面料成分含有的或多种成分,解决了多种 织物纤维成分的定性问题,降低了检测的经济和时间成本。
相较于现有技术本发明实现如下效果:第一、基于卷积神经网络及相关算法的织物纤维 成分分析模型,准确、轻量地实现对织物纤维近红外光谱的分析、推理和计算,低成本、高 效率地对织物纤维成分进行定性分析;第二、基于多标签分类的织物纤维成分分析模型,广 泛覆盖包括棉、麻、涤纶、氨纶多种织物纤维成分,高效地实现了单、多元组织物纤维成分 定性分析。
Claims (5)
1.基于多标签卷积神经网络的织物纤维成分定性方法,其特征在于,所述基于多标签卷积神经网络的织物纤维成分定性方法包括以下步骤:
S1:采集织物纤维的近红外光谱数据;
S2:数据清洗、预处理、分组和存储;
S3:织物纤维成分分类模型构造;
S4:织物纤维成分分类模型训练和验证;
S5:织物纤维实时成分定性检测。
2.如权利要求1所述的基于多标签卷积神经网络的纺织纤维成分定性方法,其特征在于:所述的步骤S3进一步包括:
S31:构造模型输入和输出,数据设定为一维的、与波长相当的近红外光谱反射率值向量;
S32:构造模型骨干网络,使用卷积神经网络作为特征提取器以适应近红外光谱的序列数据;
S33:构造多头分类器处理多标签问题,使用多头二分类器判断提取的特征信息中是否存在某个成分,得到一个由一个或多个成分组成的集合。
3.如权利要求2所述的基于多标签卷积神经网络的织物纤维成分定性方法,其特征在于:所述的步骤S32中,进一步包括:
S321:模型主干网络为卷积神经网络,包括:特定用于织物纤维近红外光谱数据进行成分分析的残差神经网络ResNets、加宽的卷积神经网络Inceptions、小样本学习网络TapNet的可提取光谱数据特征的卷积神经网络和相关变体;
S322:增加主干网络提取特征能力的结构,对特定用于织物纤维近红外光谱数据进行成分分析的卷积神经网络,增加通道注意力SE模块、GC Block模块、自注意力模块;
S323:变换、组合主干网络以提升提取特征能力,对特定用于织物纤维近红外光谱数据进行成分分析的卷积神经网络,使用9、18、34、50、101、152层深度的残差神经网络,并使用2、4、6、8个分支卷积网络块堆叠模型宽度,以增大对光谱序列深度、宽度信息的感受野。
5.如权利要求1所述的基于多标签卷积神经网络的织物纤维成分定性方法,其特征在于:所述的步骤S4中,进一步包括:
S41:将处理数据不平衡的损失函数适应多头分类器,求模型训练时的损失并进行计算和优化,损失的计算方式为:
对于存在数据不平衡的不同的成分的优化方式为,对于第i个样本的预测标签集合:
其中C为成分种类数,且有相对应的预测成分标签的概率集:
根据Focal Loss函数:
得到一个多头分类的样本的总损失:
S42:所述的织物纤维成分类别包括棉、麻、人棉、莫代尔、天丝、晴纶、涤纶、氨纶、羊毛、真丝、羊绒、尼龙的12种纯材质类别以及由以上材质组成的混纺织物的组合类别;
S43:多头分类器中的每个二元分类器预测样本的某种成分是否存在;一个可以对12种成分二分类的多头分类器,最终所输出的多标签分类结果包含纯材质、几种成分组成的混纺材质;
S44:区分棉、麻、人棉、莫代尔、天丝、晴纶、涤纶、氨纶、羊毛、真丝、羊绒、尼龙12种纯材质类别以及由以上材质组成的混纺织物的组合类别时,所存在的全异、包含、互斥关系的组合均视为不同的织物纤维类别,使用每种类别的预测准确率指标评估模型的表现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110997044.6A CN115406852A (zh) | 2021-12-28 | 2021-12-28 | 基于多标签卷积神经网络的织物纤维成分定性方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110997044.6A CN115406852A (zh) | 2021-12-28 | 2021-12-28 | 基于多标签卷积神经网络的织物纤维成分定性方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115406852A true CN115406852A (zh) | 2022-11-29 |
Family
ID=84154940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110997044.6A Pending CN115406852A (zh) | 2021-12-28 | 2021-12-28 | 基于多标签卷积神经网络的织物纤维成分定性方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115406852A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629367A (zh) * | 2018-03-22 | 2018-10-09 | 中山大学 | 一种基于深度网络增强服装属性识别精度的方法 |
CN108664924A (zh) * | 2018-05-10 | 2018-10-16 | 东南大学 | 一种基于卷积神经网络的多标签物体识别方法 |
CN109815826A (zh) * | 2018-12-28 | 2019-05-28 | 新大陆数字技术股份有限公司 | 人脸属性模型的生成方法及装置 |
CN110196946A (zh) * | 2019-05-29 | 2019-09-03 | 华南理工大学 | 一种基于深度学习的个性化推荐方法 |
CN111062411A (zh) * | 2019-11-06 | 2020-04-24 | 北京大学 | 从质谱数据中识别多种化合物的方法、装置和设备 |
CN111160276A (zh) * | 2019-12-31 | 2020-05-15 | 重庆大学 | 基于遥感影像的u型空洞全卷积分割网络识别模型 |
CN111325155A (zh) * | 2020-02-21 | 2020-06-23 | 重庆邮电大学 | 基于残差式3d cnn和多模态特征融合策略的视频动作识别方法 |
WO2020234466A1 (en) * | 2019-05-23 | 2020-11-26 | Valvan Baling Systems Nv | Improved determination of textile fiber composition |
CN113313045A (zh) * | 2021-06-11 | 2021-08-27 | 浙江工业大学 | 基于多任务学习和类激活图反馈的人机不同步识别方法 |
CN113686804A (zh) * | 2021-08-18 | 2021-11-23 | 中山小池科技有限公司 | 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 |
-
2021
- 2021-12-28 CN CN202110997044.6A patent/CN115406852A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108629367A (zh) * | 2018-03-22 | 2018-10-09 | 中山大学 | 一种基于深度网络增强服装属性识别精度的方法 |
CN108664924A (zh) * | 2018-05-10 | 2018-10-16 | 东南大学 | 一种基于卷积神经网络的多标签物体识别方法 |
CN109815826A (zh) * | 2018-12-28 | 2019-05-28 | 新大陆数字技术股份有限公司 | 人脸属性模型的生成方法及装置 |
WO2020234466A1 (en) * | 2019-05-23 | 2020-11-26 | Valvan Baling Systems Nv | Improved determination of textile fiber composition |
CN110196946A (zh) * | 2019-05-29 | 2019-09-03 | 华南理工大学 | 一种基于深度学习的个性化推荐方法 |
CN111062411A (zh) * | 2019-11-06 | 2020-04-24 | 北京大学 | 从质谱数据中识别多种化合物的方法、装置和设备 |
CN111160276A (zh) * | 2019-12-31 | 2020-05-15 | 重庆大学 | 基于遥感影像的u型空洞全卷积分割网络识别模型 |
CN111325155A (zh) * | 2020-02-21 | 2020-06-23 | 重庆邮电大学 | 基于残差式3d cnn和多模态特征融合策略的视频动作识别方法 |
CN113313045A (zh) * | 2021-06-11 | 2021-08-27 | 浙江工业大学 | 基于多任务学习和类激活图反馈的人机不同步识别方法 |
CN113686804A (zh) * | 2021-08-18 | 2021-11-23 | 中山小池科技有限公司 | 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 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717368A (zh) | 一种纺织品定性分类方法 | |
Xiaobo et al. | Apple color grading based on organization feature parameters | |
CN109870421B (zh) | 一种基于可见光/近红外光谱分析的递增式木材树种分类识别方法 | |
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 | |
CN113970532B (zh) | 基于近红外光谱的织物纤维成分检测***和预测方法 | |
US20220214273A1 (en) | Improved determination of textile fiber composition | |
CN116930042B (zh) | 建筑防水材料性能检测设备及方法 | |
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 | |
CN115406852A (zh) | 基于多标签卷积神经网络的织物纤维成分定性方法 | |
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 | |
CN116030310A (zh) | 一种基于激光诱导击穿光谱技术的样品分类方法及*** | |
CN114112982A (zh) | 基于k-Shape的织物纤维成分定性方法 | |
CN117541095A (zh) | 一种农用地土壤环境质量类别划分的方法 | |
Chen et al. | Spectroscopic identification of environmental microplastics | |
Rahiddin et al. | Local texture representation for timber defect recognition based on variation of LBP | |
CN111275131A (zh) | 基于红外光谱的化学图像分类识别方法 | |
CN114414523A (zh) | 一种基于自动波段选择的纺织纤维成分定性方法 | |
CN115455407A (zh) | 一种基于机器学习的GitHub敏感信息泄露监控方法 | |
CN113887317A (zh) | 基于π模型的织物纤维成分半监督分类方法 | |
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 | |
CN114219157A (zh) | 一种基于最优决策和动态分析的烷烃气体红外光谱测量方法 | |
Ramesh et al. | Identification of Timber Defects Using Convolution Neural Network | |
CN117740727B (zh) | 一种基于红外高光谱的纺织品成分定量反演方法 | |
CN117786617B (zh) | 一种基于ga-lstm高光谱定量反演的布料成分分析方法及*** | |
Li et al. | SVM-based apple classification of soluble solids content by near-infrared spectroscopy |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20221129 |
|
WD01 | Invention patent application deemed withdrawn after publication |