基于前馈神经网络的毛粘混纺纱线材质识别

林森

摘要：针对快速准确识别混纺纱线不同材质的问题，本文首先使用BP神经网络应用平均影响值（MIV）方法，筛选混纺纱线横截面图像中的羊毛和粘胶形态特征指标，然后利用概率神经网络、支持向量机、极限学习机分别对羊毛和粘胶材质进行识别。结果显示选取合适类型的前馈神经网络，均可快速获取约为90%的识别准确率，具有潜在的实用价值。

关键词：前馈神经网络；材质识别；羊毛；粘胶；MIV；图像处理

中图分类号：TP391；TS137

文献标志码：A

Identifying the Materials of Wool/Viscose Blended Yarns Based on Feed-forward Neural Network

Abstract： In order to identify the materials of blended yarns， the article first selected the indicators that can reflect the morphological characteristics of wool and viscose fibers in the cross-section images of blended yarn by using MIV-BP method. Then it used probabilistic neural network/support vector machine/extreme learning machine to identify wool and viscose materials. The identification results show that by using suitable feed-forward neural network， the materials can be quickly identified with accuracy up to about 90% and the method has the potential for practical use.

Key words： feed-forward neural network； material identification； wool； viscose； MIV； image processing

传统的混纺纱线检测多由人工完成，工作量大，易于出错。随着数字图像技术的发展和神经网络的不断完善，通过图像技术提取纤维特征，利用神经网络进行识别，是现今最主要的自动检测方式。但是纤维特征的筛选多由主观确定，且大多利用BP神经网络来构造材质识别的分类器。由于BP神经网络的学习速度慢，难以满足纤维检测的实时性，所以本文尝试将前馈神经网络的多种典型形式结合图像处理技术，进行羊毛/粘胶混纺纱线的特征选取，训练计算机更为客观、准确、迅速的实现毛粘混纺纱线中的材质识别。

1羊毛和粘胶的形态特征

1.1基于图像处理的羊毛/粘胶特征提取

通过配套PC图像采集接口的CU-Ⅱ型纤维细度仪，显微拍摄利用哈氏切片法获取的羊毛/粘胶混纺纱线横截面图片（图1）。其中羊毛和粘胶为待识别目标，需要保留；而火棉胶溶液的作用是固化纱线，可看作为背景，需要去除。经图像灰度化、去噪、增强、二值化、形态学处理之后得到的羊毛和粘胶个体示意图如图2和图3所示。通过观察可以发现，羊毛和粘胶从图像的角度来看，最大的差异在于羊毛个体的形态较饱满，外廓参差较少；粘胶个体形态较干瘪，外廓参差较多。

通过Matlab中用来度量图像区域属性的函数regionprops，获取第一至第六个特征指标，分别为Area、Eccentricity、EquivDiameter、Solidity、Extent、Perimeter；如图4所示，第七个特征指标定义为Bc，即从水平与垂直两个方向获取的目标个体长度，然后将以较小长度Lmin作为直径的圆的面积与以较大长度Lmax作为直径的圆的面积相除（式（1））；如图5所示，第八个特征指标定义为SMr，Sh和Sv分别是目标个体从水平方向逐行和垂直方向逐列扫描得到的缺口面积总和，S是目标个体的横截面面积（式（2））。

Bc=L2min/L2max（1）

SMr=1-（Sh+Sv）/S（2）

在本文的研究中总共提取了215个羊毛个体和152个粘胶个体的特征值，部分羊毛和粘胶个体特征值的原始数据见表1。

1.2基于BP神经网络的羊毛/粘胶特征筛选

标准前馈神经网络的内部结构分为：一层输入层、若干层隐藏层和一层输出层。各层之间全连接，同层之间无连接，信号从输入层开始，逐步向前传递，直至输出层。BP神经网络则是一种基于梯度算法的信号前向传递，误差反向传播的单隐藏层前馈神经网络。相对于常见的特征筛选方法（例如主成分分析法仅仅是利用坐标变换来去除材质特征间的冗余信息），利用BP神经网络进行材质特征的筛选，可以为后续前馈神经网络分类器提供合适的经过机器学习后确认的素材。由于所提取的8个羊毛和粘胶特征必然在利用BP神经网络进行识别分类的过程中会发挥不同程度的作用，因此必须保留重要的特征，去除次要的特征。如图6所示，BPMIV算法即在利用原始特征数值训练正确的BP神经网络的基础上，对每个羊毛/粘胶个体的8个特征值依次进行增加10%和减少10%的数值变化，然后再将增减变化后的特征数值置入训练好的正确的BP神经网络中进行测试，得到两个对应的测试结果并求差值，即为变动该特征值后测试结果的变化值（IV，ImpactValue），最后将各个羊毛/粘胶个体的IV值按特征种类的区别，求平均得到每个特征的平均影响值（MIV，MeanImpactValue），再根据MIV绝对值的大小排序筛选。

由于BP神经网络各层间的连接权值及阈值均为随机产生的，故每次BP-MIV算法运行后的结果不尽相同。本文涉及的所有程序均在Matlab7.8环境下运行。设定BP神经网络训练函数train的参数为：学习速率0.005，附加动量因子0.9，训练次数3000。随机实验100次，记录下每次实验后得到的8个特征所对应的︱MIV︱，按照从大到小的顺序进行排序，︱MIV︱排名第一的特征对神经网络输出的影响最大、重要性最强，排名第二的次之，依此类推。然后统计在这100次的随机实验中，8个特征的︱MIV︱分别出现在︱MIV︱排名的第一名、第二名和第三名的次数，如表2所示。可以发现特征四、特征五和特征八对应的︱MIV︱位于︱MIV︱排名第一名的次数，依次为67、17和16次，其余5个特征均为0次；特征四、特征五和特征八对应的︱MIV︱位于︱MIV︱排名前三名的次数，总计为93、71和68次，远高于其余5个特征。因此，特征四、特征五、特征八是最为重要的3个特征，对羊毛和粘胶的识别起到最大作用。

2羊毛/粘胶材质识别实验与结果分析

图7为包含215个羊毛个体和152个粘胶个体的原始图像，共6幅包含367个个体。由于纱线在切片过程中会产生少量纤维粘连、扭曲和模糊的现象，故本文将这些不良个体予以人工标识并去除。如图8所示，经图像处理后，白色部分为待识别目标羊毛和粘胶个体，黑色部分为背景。

如图9所示，训练个体与测试个体的选择方法为：在总共6幅图片中，如若将某幅图片中的羊毛和粘胶个体作为测试个体，则剩余图片中的羊毛和粘胶个体将被作为训练个体。待训练神经网络分类器为前馈神经网络的典型形式：隶属于RBF神经网络的概率神经网络（PNN），支持向量机（SVM），极限学习机（ELM）。

概率神经网络由函数newpnn创建，径向基函数的扩展速度spread设为0.1；支持向量机由台湾大学林智仁等开发设计的LIBSVM工具箱创建，包括惩罚参数和核函数参数等的各项参数设置均为默认值；极限学习机由新加坡南洋理工大学黄广斌等提出的ELM学习算法创建，隐含层神经元个数默认为训练个体数，隐含层神经元激活函数默认为sigmoid函数。由于神经网络各层间的连接权值及阈值产生具有随机性并且程序每次运行时的环境也不可能完全相同，故随机运行程序10次，记录下材质识别时的最小与最大准确率以及程序平均运行时间，如表3所示。

以概率神经网络分类器为例，材质识别后分离出来的羊毛和粘胶个体示意图如图10和图11所示（以前3幅为例）。从实验结果可见，文中选取的3种前馈神经网络分类器识别效果大体相当，针对实验所选6幅图片的材质识别准确率最低不小于87.30%，最高可达到96.55%。同时在材质识别消耗的时间方面，概率神经网络平均耗时最多为1.12s，支持向量机平均耗时最少为0.40s，极限学习机平均耗时居中为0.80s。相对传统人工检测耗时长，易于疲劳，人为造成错误的概率较高而言；利用前馈神经网络进行检测，耗时大为缩短，可满足实时在线检测，同时来自检测人员主观失误造成错误的概率亦会大大降低。

3结论

本文以识别混纺纱线中羊毛和粘胶个体的实验作为载体，尝试利用了前馈神经网络的4种典型形式参与材质识别，实现了在平均耗时0.39～1.12s里，取得87.30%～96.55%的识别准确率，为后续的纱线质量评价（例如获取混纺比等指标）提供了保障。同时，出于检测实时性的考虑，在诸如径向基函数的扩展速度、隐含层神经元个数、支持向量机惩罚参数等数值的确定上，本文并未利用其它智能算法进行最优化的寻找，而是根据人为的主观判断来确定或直接利用相应神经网络的默认设置，如何在检测实时性与神经网络参数设置的客观性和最优化上取得统一，仍有待于进一步的探索。

参考文献

[1]张国强，张增强，贺咏梅.BP神经网络在纺织服装上的应用[J].山东纺织科技，2013（2）：37-40.

[2]仲岑然，金春奎.混纺纱线横截面结构参数分析[J].纺织学报，2010，31（1）：40-43.

[3]严晓燕.纤维的包埋切片技术与异形纤维特征参数研究[D].上海：东华大学，2005.

[4]何芳，王小川，肖森予，等.基于MIV-BP型网络实验的房地产项目风险识别研究[J].运筹与管理，2013（2）：229-234.

[5]黎群辉，张航.基于改进概率神经网络的交通标志图像识别方法[J].系统工程，2006（4）：97-101.

[6]杜树新，吴铁军.模式识别中的支持向量机方法[J].浙江大学学报（工学版），2003（5）：521-527.

[7]HuangGB，ZhuQY，SiewCK.Extremelearningmachine：Theoryandapplications[J].Neurocomputing，2006，70（1）：489-501.

[8]HuangGB，ZhouHM，DingXJ，etal.Extremelearningmachineforregressionandmulti-classclassification[J].IEEETransactionsonSystemsManandCyberneticPartB，2010，42（2）：513-529.

[9]王杰，毕浩洋.基于极限学习机的烟叶成熟度分类[J].烟草科技，2013（5）：17-19.

[10]吴明圣.径向基神经网络和支持向量机的参数优化方法研究及应用[D].长沙：中南大学，2007.

[11]陈伟，冯斌，孙俊.基于QPSO算法的RBF神经网络参数优化仿真研究[J].计算机应用，2006（8）：1928-1931.

作者简介：林 森，男，1981年生，讲师，硕士，研究方向为模式识别、图像处理。

作者单位：江苏工程职业技术学院机电工程学院。