纺织品的人工智能检测技术

吴霭弟， 何伟坚

（佛山市南海众悦顺提花织造实业有限公司， 广东 佛山528223）

关键字： 纺织品； 人工智能； 检测技术

0 前言

人工智能 (Artificial Intelligence， AI) 正成为推动人类进入智能时代的决定性力量。 全球产业界充分认识到人工智能技术引领新一轮产业变革的重大意义， 纷纷转型发展， 抢滩布局人工智能创新生态。 世界主要发达国家均把发展人工智能作为提升国家竞争力、 维护国家安全的重大战略， 力图在国际科技竞争中掌握主导权[1]。

人工神经网络(Artificial， ANN) 是模拟人脑结构和激励行为的并行非线性系统， 是人工智能的实现手段及方式之一， 具有自学习、 自组织和自适应、 知识的分布存储广、 容错性高等功能和特点， 在复杂系统的建模问题上表现出优越性， 近年来在纺织工业中也越来越得到重视[2]。

1 人工智能发展概述

2016 年， 人工智能AlphaGo 战胜人类职业围棋高手， 引发全世界对人工智能的关注。 随后Master 以AlphaGo 的不同身份先后战胜60 多位世界顶级围棋选手， 通过了围棋对弈的图灵测试， 进一步向世人展示了人工智能的进展和成就[3]。

人工智能概念的诞生至今已超过60 年。2012 年以后， 深度卷积神经网络(ConvolutionalNeural Network， CNN) 技术在图像识别领域开始应用， 随着计算机图形技术、 大数据、 云计算、 互联网、 物联网等信息技术的发展， 推动了人工智能飞速发展， 广泛应用于图像分类、语音识别、 互联网信息搜索， 无人驾驶等领域，迎来爆发式增长的新高潮， 逐步进入产业化应用初期[4-5]。 算法是实现人工智能的核心， 现阶段研究热点也正在转向基于感知智能模型的物体精准定位和分割能力； 大数据更是构建人工智能战略性竞争优势的关键[6]。

人工神经网络 (Artificial Neural Network(ANN)) 是20 世纪80 年代以来人工智能领域兴起的研究热点， 简称为神经网络或类神经网络。人工神经网络可以定义为： 由人工建立的以有向图为拓扑结构的动态系统， 它通过对连续或断续的输入作状态响应而进行信息处理[5]。

2 人工智能检测在纺织领域的应用

人工智能在纺织领域中的应用出现在20 世纪90 年代后， 大都采用了神经网络技术， 主要集中在纤维增强复合材料性能预测、 生产工艺优化和纺织机械的自动控制、 纱线及面料的力学性能预测， 服用性能预测 （透气性）； 织物表观性能 （起毛起球） 以及色差评级； 也可应用在络筒、 染色等在线生产质量监控以及服装设计的试衣系统等[7-17]。

人工智能经常使用的神经网络形式是BP 神经网络(Error Back Propagation， 误差反向传播)，它是前向网络的核心部分， 主要特征是中间层能对输出层反传过来的误差进行学习。 BP 算法包括2 个过程， 将实际输出值和期望值进行比较， 得到误差信号， 再根据误差信号从后(输出层) 向前(输入层) 逐层反传。 BP 神经网络的优势在于整体系统可以调节各神经层神经元之间的连接权重， 直至误差减至满足要求为止。 这种算法不能保证训练期间实现全局误差最小，但可以实现局部误差最小， 从而确保局部智能微调精度。

在纺织工业生产中使用人工智能技术可以大大提高生产效率和产品的质量合格率， 而且随着计算机处理速度和能力的不断提升、 算法的不断改进， 人工智能会极大地降低工人的生产强度、 提高生产技术精度， 使人类将更多时间和精力投放到研发或者其他附加值更大的工作中。

在目前的应用阶段， 人工智能技术及其系统还存在很多缺点及不完善。 比如识别织物纹理、 布匹疵点检测等技术， 需要有针对性地提取织物结构或形态特征， 使得标准样本量十分巨大， 致使计算机的存储空间要求较高， 而且算法比较复杂， 影响了人工智能的执行速度和效率。 再如对生产工艺参数控制， 是一个庞大而且复杂的智能系统， 对于计算机的软、 硬件和数据传输都有较高的要求， 系统的算法也会随着产品工艺的不同而调整， 目前还没有理想的解决方案， 这些都是需要进一步研究和深化的。

3 纺织检测中的人工智能应用实例

从理论上来讲， 纺织产业的各个领域都可实现完全的人工智能化， 包括检测。 但是由于技术、 成本的限制， 目前在纺织检测只有少数相对成熟的应用技术。 本文引用验布机和纤维定性两个常见的应用实例。

3．1 验布机

瑞士乌斯特 (Uster Technologies) 公司于2018 年并购了以色列自动视觉检测供应商Elbit Vision Systems (EVS) 后推出一系列自动化面料检测设备： USTEREVS Q-BAR (织物质量监控系统)、 USTEREVS FABRIQ VISION (织物质量保证系统) 和 USTEREVS FABRIQ SHADE (织物色差优化系统)[18]。 乌斯特主要生产机下验布系统。

英国的Shelton MachinesLtd 推出WebSPECTOR， 德国的Erhardt&Leimer 推出ELSIS inspector和PROTECHNA， Herbst 推 出PROCAM 5310，比利时的BMS bvba 推出的Vision’s Cyclops 等机上或机下验布机。 尽管这些供应商都宣称自己的产品通用性强、 稳健， 但经过数十家具规模的织布厂使用后证明它们至少存在以下问题中的一项： 位置分辨力低， 时间和距离响应延迟，频繁的错警， 面料种类限制， 算法不严密， 数据可靠性低和价格高昂[19]， 从而导致市场反应不佳。

机上智能验布(on-loom fabric inspection) 技术难度大于机下验布， 主要存在以下几个原因：（1） 是在织布机上完成织造、 验布2 个工序，是连续不间断的； （2） 是当疵点严重时将随时暂停生产， 织造工艺与检验结果互为影响；（3） 是图像处理、 疵点判断分析的算法比较复杂， 对精确性、 可靠性和实时性有更高的要求；（4） 是整个系统的数据既相互独立又相互关联；（5） 是摄像机、 光源及计算机硬件配置、 响应速度明显高于机下验布。 图1 是机上智能验布系统工作原理图。

图1 机上验布系统工作原理

机上验布系统一般具备3 套数据处理系统：（1） 标准疵点特征值计算和ANN 监督学习；（2） 样本特征值和ANN 计算； （3） 基于统计的织机自停系统。 为达到良好的检验效果， 巨量的布料疵点和种类数据库是基本配置， 为此疵点标准样本可达数百万张图像甚至更多。 图1中虚框内即为学习训练系统。 为了使验布机具有多种面料的适用性， 数据库还应包括不同纹理结构、 颜色深浅面料的疵点类型。

我国的宝鸡长岭纺电、 无锡精致视觉、 深圳灵图慧视、 常州安视和西安获德等本土企业近几年开始了产业化生产， 同时拥有了自主知识产权的图像处理、 算法系统， 但关键硬件如工业摄像机、 镜头、 自动打标器等部件均需要从欧美发达国家进口。 从公开的文献来看， 我国生产的验布机都是机下系统。

3．2 纤维种类鉴别

显微镜观察是纤维种类鉴别的一个常用方法， 用以区别纵横向特征有差异的纤维。 这部分工作现阶段单纯靠人眼工作， 遇到外部结构相似的合成纤维或某些动物纤维时显微镜法难以胜任； 并且人眼容易疲劳， 不能连续长时间工作， 否则出现错误的概率加大。 目前人工智能技术用于鉴别纤维种类还处于初步的应用阶段。

有两种模型用于鉴别美利奴羊毛和马海毛纤维： 第一种模型用监督学习(supervised learning) 的方式， 即先对大量样品照片进行图像处理， 提取出每个鳞片的形态特征向量值， 然后让系统学习； 另一模型是通过建立纤维鳞片形态特征模型， 并通过无监督学习(unsupervised learning) 初始的未处理样品照片， 自动提取鳞片特征结构和形态[20]。 系统输出的变量有2 个，分别为： 是否美利奴羊毛， 是否马海毛； 由这2个输出量将样本分为2 类： 美利奴羊毛、 马海毛。

用非监督神经网络学习和主要成分分析提取输入变量的特征值， 并将样本鳞片的特征值与输出值代入感知器进行有监督训练； 计算结果收敛后结束训练， 最后利用训练好的神经网络对样本进行分类， 投入具体检测工作。

4 总结与前瞻

应用训练好的神经网络， 在计算机和网络技术的辅助下可以对样本迅速进行判别， 明显提高生产效率和检测结果的客观性和准确性，结果不容易受到环境影响； 而且人工神经网络比较适合纺织检测中多因子的非线性分类问题。可以预计， 人工智能将会在分析羽绒羽毛种类鉴别、 织物色牢度、 起毛起球评级， 纤维鉴别以及生产工艺控制等方面有广阔的应用前景[1]。

人工智能技术在纺织中的应用还处于起步阶段， 许多研究及应用还有待深化， 如纺织企业的质量控制、 纺织企业计算机集成制造技术的实现等方面还有很大的应用潜力。 随着人工智能技术的日趋成熟、 计算机和互联网数据存取、 传输速度及易用性的提高， 人工智能分析技术将越来越成为纺织技术人员解决各领域相关问题的有利武器。 此外， 人工智能的广泛应用对我国纺织工业的产业升级、 技术创新能力、产品研发制造的智能化程度和增强我国纺织品的国际竞争力都具有重要的现实意义[21]。