聚對(duì)苯二甲酸丙二醇酯與聚對(duì)苯二甲酸丁二醇酯混紡纖維的智能識(shí)別

巫瑩柱， 單穎法， 黃伯熹， 林廣茂， 梁家豪， 張曉利

(1. 五邑大學(xué) 紡織材料與工程學(xué)院， 廣東 江門(mén) 529020； 2. 廣東檢驗(yàn)檢疫技術(shù)中心， 廣東 廣州 510623)

未來(lái)新型紡織檢測(cè)技術(shù)的發(fā)展趨勢(shì)是數(shù)字智能化，采用先進(jìn)的圖像處理技術(shù)，并根據(jù)各纖維的特征參數(shù)進(jìn)行鑒別分類(lèi)。由于新型聚酯纖維聚對(duì)苯二甲酸丙二醇酯(PTT)和聚對(duì)苯二甲酸丁二醇酯(PBT)的化學(xué)結(jié)構(gòu)極其相似，物化性能接近，其含量測(cè)定是檢測(cè)行業(yè)的難題。目前最有效的檢測(cè)方法是熔融顯微投影法[1]，該方法只需測(cè)定各組分纖維的等效直徑、密度和根數(shù)即可計(jì)算出各纖維組分的含量。

但熔融顯微投影法無(wú)法實(shí)現(xiàn)纖維的智能識(shí)別和根數(shù)自動(dòng)統(tǒng)計(jì)，SN/T 4752—2017《進(jìn)出口紡織品 聚酯纖維定量分析方法 熔融/纖維投影法》規(guī)定需要統(tǒng)計(jì)、測(cè)定1 000根纖維以上的規(guī)格參數(shù)，導(dǎo)致檢驗(yàn)工作量大，效率低、人工分類(lèi)判斷錯(cuò)誤率較高，使得這些檢驗(yàn)方法實(shí)際應(yīng)用比較困難。為解決該難題，本文首先對(duì)混合均勻的纖維進(jìn)行顯微拍照并進(jìn)行圖像處理，實(shí)現(xiàn)交叉纖維交點(diǎn)的識(shí)別，再提取纖維等效直徑、色度以及伸直度作為纖維種類(lèi)識(shí)別的3個(gè)特征值，采用BP神經(jīng)網(wǎng)絡(luò)智能識(shí)別技術(shù)以及熔融顯微投影法，對(duì)PTT纖維和PBT纖維進(jìn)行定性和定量分析。

1 實(shí)驗(yàn)材料及儀器

儀器：Y172型哈氏切片器(太倉(cāng)紡織儀器廠)，AL204型電子天平(梅特勒-托利多)，SHZ-D(Ⅲ)型循環(huán)水式真空泵(上海東璽制冷儀器設(shè)備有限公司)，LeicaDM2700P型偏光顯微鏡(卡爾蔡司)。

2 圖像采集

2.1 纖維樣品的制備

采用哈氏切片器分別將PTT和PBT 2種纖維長(zhǎng)絲紗切成長(zhǎng)度為0.10～0.25 mm的纖維碎片，按質(zhì)量比為4∶6或3∶7配制成混合樣品。為了使PTT纖維和PBT纖維分散成均勻的單根纖維狀態(tài)，將混合纖維樣品放入質(zhì)量分?jǐn)?shù)為5%的氫氧化鈉溶液中表面去油，并作超聲波分散處理；最后經(jīng)抽濾、烘干[2]。

2.2 圖像提取

隨機(jī)夾取少量混合均勻的纖維樣品，均勻分散到蓋玻片上，再加蓋一塊蓋玻片，將蓋玻片移至偏光顯微鏡的樣品臺(tái)上，拍照獲得PTT纖維和PBT纖維的混合圖像。

3 圖像處理過(guò)程

計(jì)算機(jī)在進(jìn)行視覺(jué)識(shí)別中使用的是二值圖像，而數(shù)字?jǐn)z像機(jī)拍攝得到的圖像為RGB彩色圖像。為了將其轉(zhuǎn)化為二值圖像，首先需要把彩色圖像轉(zhuǎn)化為灰度圖像，再采用Otsu算法[3]對(duì)圖像進(jìn)行處理，Otsu算法是一種自適應(yīng)的閾值確定的，按圖像灰度特性，將圖像分成背景和目標(biāo)二部分的方法，如圖1所示。

圖1 PTT/PBT混紡二值化圖Fig.1 PTT/PBT fiber blended binarization image

在圖像二值化后，為填充輪廓內(nèi)部的空洞并且使輪廓平滑，本文使用閉運(yùn)算處理解決輪廓外圍凹凸的現(xiàn)象，種子填充算法[4]解決輪廓內(nèi)部的空洞。

中值濾波、均值濾波、高斯濾波都是常用的濾波器。經(jīng)過(guò)分析和對(duì)比，本文采用高斯濾波器對(duì)圖像進(jìn)行處理，去除高斯噪聲、椒鹽噪聲，得到較好的圖像邊緣[5]。

在上述處理的基礎(chǔ)上，二值化圖像中依舊存在許多面積較大的噪聲。其噪聲主要來(lái)源有2個(gè)，纖維在切片操作中產(chǎn)生的纖維碎片和顯微鏡物鏡不干凈。

三是抓好帶頭人隊(duì)伍建設(shè)，增強(qiáng)黨組織凝聚力。首要的是按照“政治素質(zhì)高、黨務(wù)工作熟、經(jīng)濟(jì)工作通、協(xié)調(diào)能力強(qiáng)”的標(biāo)準(zhǔn)，配好配強(qiáng)非公有制經(jīng)濟(jì)組織黨組書(shū)記或黨務(wù)干部，把黨組織帶頭人隊(duì)伍建設(shè)起來(lái)。然后提高他們與經(jīng)濟(jì)組織出資人聯(lián)絡(luò)溝通、謀劃黨建工作、組織開(kāi)展黨建活動(dòng)、做思想政治工作和協(xié)調(diào)處理矛盾問(wèn)題等方面的能力，讓黨組織帶頭人隊(duì)伍強(qiáng)大起來(lái)，把黨組織建設(shè)成為團(tuán)結(jié)帶領(lǐng)非公有制經(jīng)濟(jì)組織貫徹黨的理論、路線方針政策和落實(shí)黨的任務(wù)的戰(zhàn)斗堡壘。

經(jīng)對(duì)比分析，噪聲的輪廓面積與纖維的輪廓面積的差異區(qū)分明顯，因此，本文采用以輪廓面積4 000為閾值，對(duì)二值化圖像中的每個(gè)外輪廓都進(jìn)行檢測(cè)，計(jì)算每個(gè)外輪廓的面積，當(dāng)外輪廓面積低于4 000時(shí)，則認(rèn)為該輪廓為噪聲[6]，處理結(jié)果如圖2所示。

圖2 高斯及面積濾波處理后圖像Fig.2 Gaussian and area filter processing image

4 交叉纖維的分離及自動(dòng)統(tǒng)計(jì)

4.1 交叉纖維的細(xì)化

本文利用Zhang-suen算法[7]對(duì)預(yù)處理后的圖像進(jìn)行細(xì)化處理，將纖維圖像轉(zhuǎn)化成線寬僅為單像素圖像，以圖2選中纖維為例進(jìn)行細(xì)化，結(jié)果如圖3所示。細(xì)化后纖維會(huì)出現(xiàn)骨架開(kāi)叉，產(chǎn)生偽骨架，如圖3(a)所示。為了解決這個(gè)問(wèn)題，本文采用以纖維直徑所占像素的數(shù)量為標(biāo)準(zhǔn)，統(tǒng)一圖像尺寸的方法，具體以纖維直徑占像素點(diǎn)數(shù)量15為標(biāo)準(zhǔn)，定制圖像的縮放比例。在對(duì)圖像進(jìn)行縮放后，再進(jìn)行閉運(yùn)算處理，使輪廓光滑，其中閉運(yùn)算采用3像素×3像素的矩形模板[6,8]，如圖3(b)所示。

圖3 纖維細(xì)化與偽骨架處理效果Fig.3 Fiber refinement and pseudo-skeleton treatment effect.

4.2 交叉纖維骨架的提取

要實(shí)現(xiàn)對(duì)細(xì)化后的纖維進(jìn)行骨架分段提取，首先需要實(shí)現(xiàn)對(duì)纖維的端點(diǎn)及交點(diǎn)進(jìn)行判斷。本文采用細(xì)化后圖像八鄰域[9]的像素階躍數(shù)來(lái)進(jìn)行判斷，提取到的纖維交點(diǎn)與端點(diǎn)，如圖4所示。其中點(diǎn)1、2和4為端點(diǎn)，點(diǎn)3為交點(diǎn)，其他黑色為普通連通點(diǎn)。

圖4 提取的端點(diǎn)與交點(diǎn)Fig.4 Extracted endpoints and intersection point

提取到端點(diǎn)和交點(diǎn)后，為有序地提取出纖維的骨架段，明確輪廓跟蹤的起點(diǎn)與終點(diǎn)，且不重復(fù)跟蹤，本文采用包含骨架輪廓跟蹤算法[10]與纖維骨架分段提取算法的改進(jìn)型的八臨域輪廓跟蹤算法[6,11]進(jìn)行處理。同時(shí)為了滿足取到正確的分段纖維，本文采用閾值為10，對(duì)纖維骨架進(jìn)行取舍，對(duì)閾值小于10的纖維段進(jìn)行濾波處理。最后纖維骨架提取效果如圖5所示，短的纖維段被裁減，不同的顏色深淺程度代表了不同的纖維段。

圖5 提取出來(lái)的纖維分段圖Fig.5 Extracted fiber section

4.3 分段骨架的配對(duì)與擬合

在配對(duì)過(guò)程中，本文首先建立了結(jié)構(gòu)體信息庫(kù)，對(duì)每段分段骨架進(jìn)行基本信息的保存，其中基本信息包含有骨架起點(diǎn)與終點(diǎn)的坐標(biāo)、起點(diǎn)與終點(diǎn)的點(diǎn)類(lèi)型、起點(diǎn)與終點(diǎn)的斜率；然后，再以某一纖維信息與其他纖維信息進(jìn)行匹配，對(duì)匹配成功后的纖維信息組進(jìn)行保存；最后，運(yùn)用最小二乘法對(duì)纖維的骨架進(jìn)行擬合求出分段的纖維的傾斜度[6,11]，本文以分段纖維兩端擬合的方法代替整個(gè)分段纖維進(jìn)行直線型的擬合，交叉纖維匹配擬合效果如圖6所示，配對(duì)成功率為100%。

圖6 纖維擬合與配對(duì)Fig.6 Fitting and pairing of fiber

5 纖維種類(lèi)智能識(shí)別的特征值提取

5.1 纖維等效直徑

在參考?xì)W拉距離[12]的基礎(chǔ)上，本文首先將分離成功的纖維進(jìn)行二值化預(yù)處理，接著統(tǒng)計(jì)二值化后纖維的所有的像素點(diǎn)總數(shù)并將其保存，作為纖維的總面積；然后再采用Zhang-suen算法[7]對(duì)其細(xì)化，再統(tǒng)計(jì)細(xì)化后纖維骨架的像素點(diǎn)總數(shù)并保存下來(lái)，作為纖維的長(zhǎng)度；最后將纖維總面積除以纖維長(zhǎng)度，即為所需獲得纖維等效直徑。

5.2 纖維色度

HSV即一種由色調(diào)(H)、飽和度(S)、明度(V)3個(gè)參數(shù)組合而成顏色模型，是人們從顏色輪或調(diào)色板中挑選顏色時(shí)常用的彩色系統(tǒng)，HSV的表述方式可近似地模仿人眼的感知，接近人眼感知顏色的方式。在HSV顏色空間中，H值分量對(duì)顏色差異比較敏感，能很好地表現(xiàn)PTT纖維和PBT纖維的顏色特性的差異，實(shí)現(xiàn)PTT纖維和PBT纖維的識(shí)別[13-15]。

在提取H分量時(shí)，首先將導(dǎo)入RGB格式的圖片通過(guò)MatLab的HSV轉(zhuǎn)化函數(shù)將其轉(zhuǎn)化為HSV格式[16]。為提高纖維的H值的準(zhǔn)確性，以歸一化后的H值為0.6作為分界點(diǎn)，將H值在0.6以下的點(diǎn)進(jìn)行歸零處理，同時(shí)將H值大于或等于0.6的點(diǎn)進(jìn)行統(tǒng)計(jì)和保存，最后把所有大于或等于0.6的點(diǎn)的H值取平均值，即為該纖維色度的H值。

5.3 纖維伸直度

纖維伸直度η，即纖維在纖維主軸的投影長(zhǎng)度L′與伸直長(zhǎng)度L之比，其可綜合反映纖維長(zhǎng)度方向上的彎曲程度[17]。本文對(duì)分離成功的纖維先后進(jìn)行二值化和細(xì)化處理，并將細(xì)化后的纖維骨架的每點(diǎn)的位置都進(jìn)行保存，并在二維坐標(biāo)軸上將纖維呈現(xiàn)出來(lái)，如圖7所示。然后將纖維兩端點(diǎn)的直線距離保存下來(lái)，即投影長(zhǎng)度L′，同時(shí)統(tǒng)計(jì)纖維所有的像素點(diǎn)總數(shù)，即伸直長(zhǎng)度L。并由上述定義計(jì)算，即可求出纖維伸直度η。

圖7 纖維的彎曲程度Fig.7 Fiber bending degree

6 BP神經(jīng)元預(yù)測(cè)網(wǎng)絡(luò)的構(gòu)建與驗(yàn)證

6.1 BP神經(jīng)元預(yù)測(cè)網(wǎng)絡(luò)參數(shù)設(shè)定

目前常用的神經(jīng)網(wǎng)絡(luò)主要有BP網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)、Khoonen網(wǎng)絡(luò)等，本文中選用BP網(wǎng)絡(luò)模型。BP神經(jīng)網(wǎng)絡(luò)基本拓?fù)浣Y(jié)構(gòu)如圖8所示，該神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)主要有輸入層、輸出層、隱藏層的設(shè)計(jì)以及傳遞函數(shù)的選擇[18]，其中X1、X2、…，Xk為輸入向量，j為隱含層輸入向量，i為隱含層輸出向量，n為隱含層層數(shù)，k為輸出層輸入向量，p為輸出層輸出向量，數(shù)值0和1分別表示PTT纖維和PBT纖維，為期望輸出向量。

圖8 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.8 Neural network topology

6.1.1輸入和輸出層的設(shè)計(jì)

輸入層主要是接收外部的輸入數(shù)據(jù)，起緩沖儲(chǔ)存器的作用，其節(jié)點(diǎn)數(shù)取決于輸入矢量的維數(shù)，因此，本文以纖維等效直徑、色度以及伸直度等3個(gè)特征值構(gòu)建了一個(gè)節(jié)點(diǎn)數(shù)為3的輸入層[19]。

輸出層的節(jié)點(diǎn)數(shù)取決于2個(gè)方面，輸出數(shù)據(jù)類(lèi)型和表示該類(lèi)型所需的數(shù)據(jù)大小。在本文中需要鑒別的纖維主要是PBT纖維和PTT纖維，而且在神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)，分別用數(shù)值0和1表示PBT纖維和PTT纖維，因此，輸出層的節(jié)點(diǎn)數(shù)為1，數(shù)值范圍在0～1附近。

6.1.2隱含層的設(shè)計(jì)

在圖像處理領(lǐng)域中，隱含層神經(jīng)元數(shù)目的選擇是非常復(fù)雜的問(wèn)題，使用過(guò)少的神經(jīng)元數(shù)量不能準(zhǔn)確地?cái)M合數(shù)據(jù)的規(guī)律，但使用隱含層的神經(jīng)元過(guò)多，就會(huì)產(chǎn)生過(guò)擬合的情況，目前沒(méi)有理想的解釋模型，常是根據(jù)經(jīng)驗(yàn)和實(shí)驗(yàn)結(jié)果來(lái)試湊出隱含層神經(jīng)元的數(shù)量[19-20]。

在參考實(shí)驗(yàn)和經(jīng)驗(yàn)的基礎(chǔ)上，當(dāng)隱含層神經(jīng)元數(shù)設(shè)定為19時(shí)，MSE值(均方誤差)相對(duì)較小，R值(相關(guān)系數(shù))相對(duì)比較接近于1，效果較理想。綜合上述參數(shù)設(shè)定結(jié)果的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如圖9所示，其中W為權(quán)值，b為閾值。

圖9 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.9 Neural network structure

6.1.3傳遞函數(shù)的選擇

選擇激勵(lì)函數(shù)是構(gòu)建BP神經(jīng)網(wǎng)絡(luò)的必由之路,本文選擇了TANSIG型[21]，即正切S型傳遞函數(shù)，該函數(shù)的特點(diǎn)是把神經(jīng)元的輸入范圍(-∞，+∞)映射到(-1,1)。而且正切Sigmoid函數(shù)是可微函數(shù)，因此很適合于利用BP算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

6.2 BP神經(jīng)元預(yù)測(cè)網(wǎng)絡(luò)的訓(xùn)練

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程分為2個(gè)階段。

第1個(gè)階段是輸入已知訓(xùn)練樣本，通過(guò)設(shè)置的網(wǎng)絡(luò)結(jié)構(gòu)和前一次迭代的權(quán)值和閾值，從網(wǎng)絡(luò)的第1層向后計(jì)算各神經(jīng)元的輸出。

第2個(gè)階段是對(duì)權(quán)值和閾值進(jìn)行修改，從最后1層向前計(jì)算各權(quán)值和閾值對(duì)總誤差的影響(梯度)，據(jù)此對(duì)各權(quán)值和閾值進(jìn)行修改。

以上2個(gè)過(guò)程反復(fù)交替，直到達(dá)到收斂為止。在本文中，采用MatLab神經(jīng)網(wǎng)絡(luò)工具箱N(xiāo)eural Net Fitting進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練[22]，以200組具有三維特征值的樣本數(shù)據(jù)作為輸入數(shù)據(jù)，其中100組為PTT纖維，100組為PBT纖維。接著將目標(biāo)數(shù)據(jù)設(shè)定PBT纖維為0，PPT纖維為1，通過(guò)LM算法進(jìn)行訓(xùn)練神經(jīng)網(wǎng)絡(luò)，最后將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)通過(guò)MatLab Function輸出，并以“.m”格式進(jìn)行保存。

通過(guò)對(duì)樣本輸出數(shù)據(jù)與人工識(shí)別結(jié)果分析，本文采用以0.5為分界點(diǎn)對(duì)輸出數(shù)值進(jìn)行PBT纖維和PTT纖維的識(shí)別，輸出數(shù)據(jù)大于或等于0.5的識(shí)別為PTT纖維，0.5以下的識(shí)別為PBT纖維。

6.3 BP神經(jīng)元預(yù)測(cè)網(wǎng)絡(luò)的驗(yàn)證

為了驗(yàn)證已構(gòu)建好的神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性，本文隨機(jī)采用了20個(gè)具有三維特征值的樣本數(shù)據(jù)進(jìn)行驗(yàn)證，發(fā)現(xiàn)20個(gè)樣本都準(zhǔn)確識(shí)別，結(jié)果如表1所示。可知，采用本方法對(duì)PTT纖維以及PBT纖維的識(shí)別率高于99%。

表1 BP神經(jīng)網(wǎng)絡(luò)識(shí)別效果Tab.1 BP neural network recognition effect

6.4 BP神經(jīng)網(wǎng)絡(luò)的質(zhì)量百分比計(jì)算

本文以均勻混合的PTT纖維與PTB纖維圖像為例，在神經(jīng)網(wǎng)絡(luò)的智能識(shí)別及自動(dòng)統(tǒng)計(jì)下，對(duì)SN/T 4752—2017規(guī)定需要統(tǒng)計(jì)、測(cè)定的1 000根纖維進(jìn)行了測(cè)試。統(tǒng)計(jì)結(jié)果顯示，PTT纖維根數(shù)為446，PBT纖維根數(shù)為554，接著將已識(shí)別的PTT纖維和PBT纖維的等效直徑取平均值，得到d1=19.81 μm，d2=22.88 μm。參考標(biāo)準(zhǔn)資料可知，PTT纖維的密度為1.33 g/cm3，PBT纖維的密度為1.31 g/cm3，最后根據(jù)顯微投影法中的公式：

X2=100%-X1

式中：X1、X2分別為組分纖維1、2的質(zhì)量百分比，%；d1、d2分別為組分纖維1、2的平均等效直徑，μm；ρ1、ρ2分別為組分纖維1、2的密度， g/cm3，纖維密度根據(jù)纖維種類(lèi)可查知；n1、n2分別為組分纖維1、2的根數(shù)。

經(jīng)計(jì)算得出，X1≈38%，X2=100%-X1≈62%。與實(shí)際已知的PTT纖維和PBT纖維混紡比40%及60%相比，誤差在±3%之內(nèi)，測(cè)試結(jié)果比較理想。為提高方法的對(duì)比性，采用這種方法對(duì)實(shí)際已知的PTT纖維和PBT纖維混紡比為30%及70%進(jìn)行同樣的測(cè)試，結(jié)果為X1≈32%，X2=100-X1≈68%。符合誤差范圍之內(nèi)。

7 結(jié)束語(yǔ)

本文基于圖像處理及BP神經(jīng)網(wǎng)絡(luò)方法對(duì)PTT纖維與PBT纖維混紡樣品進(jìn)行智能化定性及定量分析，在各根纖維分離后，提取每根配對(duì)擬合后纖維的等效直徑、色度和伸直度等3個(gè)特征值。構(gòu)建大量的三維特征值數(shù)據(jù)為基礎(chǔ)的BP神經(jīng)網(wǎng)絡(luò)，準(zhǔn)確地識(shí)別出2種纖維，同時(shí)分別對(duì)2種纖維的根數(shù)進(jìn)行自動(dòng)統(tǒng)計(jì)。根據(jù)熔融顯微投影法，成功對(duì)混紡纖維混紡比進(jìn)行計(jì)算驗(yàn)證，與對(duì)應(yīng)不同的實(shí)際混紡比比較，誤差在±3%之內(nèi)，測(cè)試結(jié)果比較準(zhǔn)確。本文方法操作簡(jiǎn)便、無(wú)溶劑、綠色環(huán)保，符合行業(yè)發(fā)展的趨勢(shì)。