人工智能技术在麻棉纤维鉴别中的研究现状

伏广伟，张珍竹，李红英，张志荣，韩文霞，刘建勇

（1.中国纺织工程学会，北京 100025；2.佛山中纺联检验技术服务有限公司，广东 佛山 528211；3.天津工业大学，天津 300387）

随着经济的不断发展，人们越来越追求服装的舒适和健康[1]。棉纤维和麻纤维作为天然纤维，绿色健康，经过混纺而成的麻棉织物作为一种兼具棉的柔软和麻的挺括特点的织物，在市场上越来越受到消费者的欢迎[2]。麻棉织物中的成分含量不同，其理化性能差异较大，且棉纤维与麻纤维的价格不同，因此企业需要依托第三方检测机构对麻纤维和棉纤维进行检测识别，以确定纱线中的棉与麻的纤维含量，从而进行合理定价。

国内对于纤维含量的检测主要根据GB 18401-2010《国家纺织产品基本安全技术规范》[3]和GB/T 5296.4-2012《消费品使用说明第4 部分：纺织品和服装》[4]进行，主要分为物理法和化学法。由于棉纤维和麻纤维同属于纤维素纤维，其混纺产品无法用化学溶解的方式测定其成分含量，因此检测人员通常用纤维显微镜横截面测定法来观察棉纤维和麻纤维的物理结构特征。棉纤维天然转曲，具有腰圆中腔的结构，麻纤维两端尖细中部较粗，沿纤维方向上的形态大致为矩形，具有横节竖纹的结构[5]，两种纤维在形态结构上具有明显差异，熟练的检测人员可做到50 分钟检测完成一个样品的检测。

针对人工检测的检测时间长，成本高，主观因素影响较大的问题，采用人工智能技术对检测流程的改造就十分具有必要性了。本文在介绍了人工智能技术鉴别麻棉纤维主要过程的基础上，重点对图像处理技术在麻棉纤维检测领域的发展现状进行了系统的梳理和总结，并对人工智能技术在检测领域的发展前景进行了展望。

1 人工智能技术鉴别麻棉纤维的主要过程

目前国内主要依照AATCC 20A 纤维定量分析中的显微镜法来测定麻棉纤维的混纺比[6-8]。在结合人工智能技术进行自动化识别过程中，主要是对麻棉纤维的纤维图像进行采集，随后进行图像的预处理，特征值提取，最后进行麻棉纤维的识别具体过程（如图1 所示）。

1.1 纤维图像采集

基于人工智能技术的麻棉纤维自动图像采集技术，主要是以自动聚焦、多焦面图像融合和图像拼接技术三部分的技术进行组合而成的，其中最主要的部分是自动聚焦技术[9]。棉纤维天然转曲，麻棉纤维在制样中容易出现交叉现象，因此同一视野下存在多个焦平面，普通光学显微镜景深较短，无法对多个焦平面进行清晰地对焦。因此基于人工智能技术的自动聚焦技术能解决传统光学显微镜的不足，并且调节速度和灵敏度也比手动调节快，大大加快了纤维图像采集的效率。

图1 人工智能技术鉴别麻棉纤维技术路线图

1.2 纤维图像预处理

纤维图像采集成功后，在预处理过程中常常会遇到光照不匀、噪声、虚影等问题，因此需要对这些问题进行处理，避免影响后续的特征值提取过程。纤维图像的预处理主要包括图像的灰度化处理[10]、杂质噪声滤除、图像增强处理、图像偏斜矫正以及图像边缘提取与修补[11-13]。

麻棉纤维的差异主要集中在物理结构上，需要剔除颜色对人工智能技术对麻棉纤维识别的干扰，因此需要对纤维图像进行灰度化处理。处理后的图片依旧存在许多干扰因素，如气泡杂质等噪声干扰，此时需要对图像的杂质噪声进行滤除，从而利于后续的边缘特征值提取。后续则需要对图像的细节部分进行特征强化，同时进行图像的矫正与修补，使灰度区间与灰度级增大，细节特征更清晰，增强识别效率。

1.3 特征值提取

棉纤维和麻纤维的形态结构不同，因此可以通过提取细节部分不同的特征情况来对两种纤维进行区分。Baker[14]最早将图像处理技术运用到纺织领域，通过IIMC 系统准确计算了棉纤维纵向投影上的平均宽度，测定了棉纤维的截面形态结构，开始将棉纤维的特征参数纳入图像处理技术的考核范围。随后D.P.Thibodeaux[15]改进这项技术，测出了棉纤维纵向的投影尺寸分布，通过一系列特征指标来推断棉纤维的成熟度。Matic-LeighR.[16]等人泽分析纤维的横截面图像，分析出了胞壁厚度、纤维宽度、成熟度系数、成熟度比率及胞壁厚度系数等指标。

国内的余序芬和吴兆平同样对纤维的纵向结构进行分析，通过对棉纤维和麻纤维的大量识别，选取了纤维直径、CV 值和充满度三个特征值来对麻棉纤维进行自动识别[17-18]。徐回祥泽[19]选取CV 值、苎麻横节数和纤维扭曲度三个特征值来识别麻棉混纺纱的混纺比。赵宇涛则[20]选取了纤维图像的直径比、直径标准差、平均扭曲度、最大扭曲度、整体充满度和充满度标准差这六个特征值进行特征强化，识别效率较高。

随着人工智能技术的不断发展，特征值参数与BP 神经网络的组合识别模式使得识别准确率与效率越来越高，未来人工智能技术在检测领域的应用发展前景广阔。

1.4 纤维识别

正确识别了麻棉纤维的特征值后，相关机构会基于sigmoid 型变换函数来对特征值参数进行BP 神经网络训练，通过多个输入多个特征值参数对结果进行判断，可逐步训练学习过程，通过错误反馈来逼近期望输出值，提高识别正确率。

2 影响麻棉纤维鉴别的干扰因素

人工智能技术不止是可以应用到麻棉纤维鉴别，也可以识别各类具有不同纵向形态与截面特征的纤维，但是识别各种纤维的过程中均会遇到特征值识别不清晰的问题。麻棉纤维鉴别过程中主要存在两类干扰因素。一类是纤维本身固有特征存在缺陷，如棉纤维自身品质问题，导致天然转曲、腰圆中腔的特征不明晰，就会出现无法识别或误判。一类是统计特征参数误差，纤维的状态各不相同，设定的阈值往往不能完全完全对纤维的特征值进行完全覆盖，且各类纤维特征参数分布有交叉的地方，因此识别误差是无法消除的，并且误差难以估计[21]。

3 研究不足和展望

尽管关于人工智能技术运用到麻棉纤维检测领域的研究已经有了一定的进展，但很多的关于麻棉纤维自动化检测的结果都是在样品条件较好的条件下得出的，与实际遇到的检测情况有所出入。当前主要的人工智能技术在棉麻纤维识别过程中出现的问题如下。

3.1 纤维采集与预处理效果不好

在麻棉纤维采集的过程中，常常会出现麻棉纤维相互交错的情况，此时纤维图像的提取存在困难，无法得到完整图像，因此需要进行进一步的研究改进。

3.2 特征值提取数量不足

目前关于麻棉纤维的特征值选取已经从开始的三种，逐步发展到了现在的六种之多。但是对于过于成熟及未成熟的棉纤维，其天然转曲不明显，直径变化不大，轮廓形态与亚麻纤维接近，现有的特征值提取选择容易导致人工智能识别不清，出现误差。因此更适合鉴别麻棉纤维的特征值还需要进行进一步的归纳与提取。

3.3 识别能力不足

目前人工智能技术运用在麻棉纤维的实际检测情况还不多，实验室内主要对一个地区生产的棉纤维和麻纤维进行了神经网络训练，当不同地区不同品种的棉纤维和麻纤维进行识别检测的数据不足，其识别精确度不好，因此在后续研究中，需要继续训练，完善神经网络。

3.4 人工智能技术在检测领域的发展前景

人工智能技术赋能检测行业，能够通过自动化的检测技术大大减轻检测人员的工作强度，不断提高识别效率和准确率。基于人工智能技术的自动化检测是的检测行业的发展趋势，也是行业环境不断演变的大方向。

4 结语

人工智能技术进行特征值识别的研究逐步引起了广泛关注，本文首先总结了当前人工智能技术鉴别麻棉纤维的基本方法，包括纤维图像采集、纤维图像预处理、特征值提取和纤维识别技术，其次从影响麻棉纤维准确识别的干扰因素进行分析，总结了人工智能技术应用在麻棉纤维鉴别过程中常见的问题。通过从原理出发，分析实际鉴别过程中出现的问题，建立起人工智能技术鉴别麻棉纤维的整体思路框架，从而进一步推动对人工智能技术在检测行业的进一步发展。