聚对苯二甲酸丙二醇酯与聚对苯二甲酸丁二醇酯混纺纤维的智能识别

巫莹柱， 单颖法， 黄伯熹， 林广茂， 梁家豪， 张晓利

(1. 五邑大学 纺织材料与工程学院， 广东 江门 529020； 2. 广东检验检疫技术中心， 广东 广州 510623)

未来新型纺织检测技术的发展趋势是数字智能化，采用先进的图像处理技术，并根据各纤维的特征参数进行鉴别分类。由于新型聚酯纤维聚对苯二甲酸丙二醇酯(PTT)和聚对苯二甲酸丁二醇酯(PBT)的化学结构极其相似，物化性能接近，其含量测定是检测行业的难题。目前最有效的检测方法是熔融显微投影法[1]，该方法只需测定各组分纤维的等效直径、密度和根数即可计算出各纤维组分的含量。

但熔融显微投影法无法实现纤维的智能识别和根数自动统计，SN/T 4752—2017《进出口纺织品 聚酯纤维定量分析方法 熔融/纤维投影法》规定需要统计、测定1 000根纤维以上的规格参数，导致检验工作量大，效率低、人工分类判断错误率较高，使得这些检验方法实际应用比较困难。为解决该难题，本文首先对混合均匀的纤维进行显微拍照并进行图像处理，实现交叉纤维交点的识别，再提取纤维等效直径、色度以及伸直度作为纤维种类识别的3个特征值，采用BP神经网络智能识别技术以及熔融显微投影法，对PTT纤维和PBT纤维进行定性和定量分析。

1 实验材料及仪器

仪器：Y172型哈氏切片器(太仓纺织仪器厂)，AL204型电子天平(梅特勒-托利多)，SHZ-D(Ⅲ)型循环水式真空泵(上海东玺制冷仪器设备有限公司)，LeicaDM2700P型偏光显微镜(卡尔蔡司)。

2 图像采集

2.1 纤维样品的制备

采用哈氏切片器分别将PTT和PBT 2种纤维长丝纱切成长度为0.10～0.25 mm的纤维碎片，按质量比为4∶6或3∶7配制成混合样品。为了使PTT纤维和PBT纤维分散成均匀的单根纤维状态，将混合纤维样品放入质量分数为5%的氢氧化钠溶液中表面去油，并作超声波分散处理；最后经抽滤、烘干[2]。

2.2 图像提取

随机夹取少量混合均匀的纤维样品，均匀分散到盖玻片上，再加盖一块盖玻片，将盖玻片移至偏光显微镜的样品台上，拍照获得PTT纤维和PBT纤维的混合图像。

3 图像处理过程

计算机在进行视觉识别中使用的是二值图像，而数字摄像机拍摄得到的图像为RGB彩色图像。为了将其转化为二值图像，首先需要把彩色图像转化为灰度图像，再采用Otsu算法[3]对图像进行处理，Otsu算法是一种自适应的阈值确定的，按图像灰度特性，将图像分成背景和目标二部分的方法，如图1所示。

图1 PTT/PBT混纺二值化图Fig.1 PTT/PBT fiber blended binarization image

在图像二值化后，为填充轮廓内部的空洞并且使轮廓平滑，本文使用闭运算处理解决轮廓外围凹凸的现象，种子填充算法[4]解决轮廓内部的空洞。

中值滤波、均值滤波、高斯滤波都是常用的滤波器。经过分析和对比，本文采用高斯滤波器对图像进行处理，去除高斯噪声、椒盐噪声，得到较好的图像边缘[5]。

在上述处理的基础上，二值化图像中依旧存在许多面积较大的噪声。其噪声主要来源有2个，纤维在切片操作中产生的纤维碎片和显微镜物镜不干净。

三是抓好带头人队伍建设，增强党组织凝聚力。首要的是按照“政治素质高、党务工作熟、经济工作通、协调能力强”的标准，配好配强非公有制经济组织党组书记或党务干部，把党组织带头人队伍建设起来。然后提高他们与经济组织出资人联络沟通、谋划党建工作、组织开展党建活动、做思想政治工作和协调处理矛盾问题等方面的能力，让党组织带头人队伍强大起来，把党组织建设成为团结带领非公有制经济组织贯彻党的理论、路线方针政策和落实党的任务的战斗堡垒。

经对比分析，噪声的轮廓面积与纤维的轮廓面积的差异区分明显，因此，本文采用以轮廓面积4 000为阈值，对二值化图像中的每个外轮廓都进行检测，计算每个外轮廓的面积，当外轮廓面积低于4 000时，则认为该轮廓为噪声[6]，处理结果如图2所示。

图2 高斯及面积滤波处理后图像Fig.2 Gaussian and area filter processing image

4 交叉纤维的分离及自动统计

4.1 交叉纤维的细化

本文利用Zhang-suen算法[7]对预处理后的图像进行细化处理，将纤维图像转化成线宽仅为单像素图像，以图2选中纤维为例进行细化，结果如图3所示。细化后纤维会出现骨架开叉，产生伪骨架，如图3(a)所示。为了解决这个问题，本文采用以纤维直径所占像素的数量为标准，统一图像尺寸的方法，具体以纤维直径占像素点数量15为标准，定制图像的缩放比例。在对图像进行缩放后，再进行闭运算处理，使轮廓光滑，其中闭运算采用3像素×3像素的矩形模板[6,8]，如图3(b)所示。

图3 纤维细化与伪骨架处理效果Fig.3 Fiber refinement and pseudo-skeleton treatment effect.

4.2 交叉纤维骨架的提取

要实现对细化后的纤维进行骨架分段提取，首先需要实现对纤维的端点及交点进行判断。本文采用细化后图像八邻域[9]的像素阶跃数来进行判断，提取到的纤维交点与端点，如图4所示。其中点1、2和4为端点，点3为交点，其他黑色为普通连通点。

图4 提取的端点与交点Fig.4 Extracted endpoints and intersection point

提取到端点和交点后，为有序地提取出纤维的骨架段，明确轮廓跟踪的起点与终点，且不重复跟踪，本文采用包含骨架轮廓跟踪算法[10]与纤维骨架分段提取算法的改进型的八临域轮廓跟踪算法[6,11]进行处理。同时为了满足取到正确的分段纤维，本文采用阈值为10，对纤维骨架进行取舍，对阈值小于10的纤维段进行滤波处理。最后纤维骨架提取效果如图5所示，短的纤维段被裁减，不同的颜色深浅程度代表了不同的纤维段。

图5 提取出来的纤维分段图Fig.5 Extracted fiber section

4.3 分段骨架的配对与拟合

在配对过程中，本文首先建立了结构体信息库，对每段分段骨架进行基本信息的保存，其中基本信息包含有骨架起点与终点的坐标、起点与终点的点类型、起点与终点的斜率；然后，再以某一纤维信息与其他纤维信息进行匹配，对匹配成功后的纤维信息组进行保存；最后，运用最小二乘法对纤维的骨架进行拟合求出分段的纤维的倾斜度[6,11]，本文以分段纤维两端拟合的方法代替整个分段纤维进行直线型的拟合，交叉纤维匹配拟合效果如图6所示，配对成功率为100%。

图6 纤维拟合与配对Fig.6 Fitting and pairing of fiber

5 纤维种类智能识别的特征值提取

5.1 纤维等效直径

在参考欧拉距离[12]的基础上，本文首先将分离成功的纤维进行二值化预处理，接着统计二值化后纤维的所有的像素点总数并将其保存，作为纤维的总面积；然后再采用Zhang-suen算法[7]对其细化，再统计细化后纤维骨架的像素点总数并保存下来，作为纤维的长度；最后将纤维总面积除以纤维长度，即为所需获得纤维等效直径。

5.2 纤维色度

HSV即一种由色调(H)、饱和度(S)、明度(V)3个参数组合而成颜色模型，是人们从颜色轮或调色板中挑选颜色时常用的彩色系统，HSV的表述方式可近似地模仿人眼的感知，接近人眼感知颜色的方式。在HSV颜色空间中，H值分量对颜色差异比较敏感，能很好地表现PTT纤维和PBT纤维的颜色特性的差异，实现PTT纤维和PBT纤维的识别[13-15]。

在提取H分量时，首先将导入RGB格式的图片通过MatLab的HSV转化函数将其转化为HSV格式[16]。为提高纤维的H值的准确性，以归一化后的H值为0.6作为分界点，将H值在0.6以下的点进行归零处理，同时将H值大于或等于0.6的点进行统计和保存，最后把所有大于或等于0.6的点的H值取平均值，即为该纤维色度的H值。

5.3 纤维伸直度

纤维伸直度η，即纤维在纤维主轴的投影长度L′与伸直长度L之比，其可综合反映纤维长度方向上的弯曲程度[17]。本文对分离成功的纤维先后进行二值化和细化处理，并将细化后的纤维骨架的每点的位置都进行保存，并在二维坐标轴上将纤维呈现出来，如图7所示。然后将纤维两端点的直线距离保存下来，即投影长度L′，同时统计纤维所有的像素点总数，即伸直长度L。并由上述定义计算，即可求出纤维伸直度η。

图7 纤维的弯曲程度Fig.7 Fiber bending degree

6 BP神经元预测网络的构建与验证

6.1 BP神经元预测网络参数设定

目前常用的神经网络主要有BP网络、Hopfield网络、Khoonen网络等，本文中选用BP网络模型。BP神经网络基本拓扑结构如图8所示，该神经网络的设计主要有输入层、输出层、隐藏层的设计以及传递函数的选择[18]，其中X1、X2、…，Xk为输入向量，j为隐含层输入向量，i为隐含层输出向量，n为隐含层层数，k为输出层输入向量，p为输出层输出向量，数值0和1分别表示PTT纤维和PBT纤维，为期望输出向量。

图8 神经网络拓扑结构Fig.8 Neural network topology

6.1.1输入和输出层的设计

输入层主要是接收外部的输入数据，起缓冲储存器的作用，其节点数取决于输入矢量的维数，因此，本文以纤维等效直径、色度以及伸直度等3个特征值构建了一个节点数为3的输入层[19]。

输出层的节点数取决于2个方面，输出数据类型和表示该类型所需的数据大小。在本文中需要鉴别的纤维主要是PBT纤维和PTT纤维，而且在神经网络训练时，分别用数值0和1表示PBT纤维和PTT纤维，因此，输出层的节点数为1，数值范围在0～1附近。

6.1.2隐含层的设计

在图像处理领域中，隐含层神经元数目的选择是非常复杂的问题，使用过少的神经元数量不能准确地拟合数据的规律，但使用隐含层的神经元过多，就会产生过拟合的情况，目前没有理想的解释模型，常是根据经验和实验结果来试凑出隐含层神经元的数量[19-20]。

在参考实验和经验的基础上，当隐含层神经元数设定为19时，MSE值(均方误差)相对较小，R值(相关系数)相对比较接近于1，效果较理想。综合上述参数设定结果的神经网络结构，如图9所示，其中W为权值，b为阈值。

图9 神经网络结构Fig.9 Neural network structure

6.1.3传递函数的选择

选择激励函数是构建BP神经网络的必由之路,本文选择了TANSIG型[21]，即正切S型传递函数，该函数的特点是把神经元的输入范围(-∞，+∞)映射到(-1,1)。而且正切Sigmoid函数是可微函数，因此很适合于利用BP算法训练神经网络。

6.2 BP神经元预测网络的训练

BP神经网络的训练过程分为2个阶段。

第1个阶段是输入已知训练样本，通过设置的网络结构和前一次迭代的权值和阈值，从网络的第1层向后计算各神经元的输出。

第2个阶段是对权值和阈值进行修改，从最后1层向前计算各权值和阈值对总误差的影响(梯度)，据此对各权值和阈值进行修改。

以上2个过程反复交替，直到达到收敛为止。在本文中，采用MatLab神经网络工具箱Neural Net Fitting进行神经网络的训练[22]，以200组具有三维特征值的样本数据作为输入数据，其中100组为PTT纤维，100组为PBT纤维。接着将目标数据设定PBT纤维为0，PPT纤维为1，通过LM算法进行训练神经网络，最后将训练好的神经网络通过MatLab Function输出，并以“.m”格式进行保存。

通过对样本输出数据与人工识别结果分析，本文采用以0.5为分界点对输出数值进行PBT纤维和PTT纤维的识别，输出数据大于或等于0.5的识别为PTT纤维，0.5以下的识别为PBT纤维。

6.3 BP神经元预测网络的验证

为了验证已构建好的神经网络的准确性，本文随机采用了20个具有三维特征值的样本数据进行验证，发现20个样本都准确识别，结果如表1所示。可知，采用本方法对PTT纤维以及PBT纤维的识别率高于99%。

表1 BP神经网络识别效果Tab.1 BP neural network recognition effect

6.4 BP神经网络的质量百分比计算

本文以均匀混合的PTT纤维与PTB纤维图像为例，在神经网络的智能识别及自动统计下，对SN/T 4752—2017规定需要统计、测定的1 000根纤维进行了测试。统计结果显示，PTT纤维根数为446，PBT纤维根数为554，接着将已识别的PTT纤维和PBT纤维的等效直径取平均值，得到d1=19.81 μm，d2=22.88 μm。参考标准资料可知，PTT纤维的密度为1.33 g/cm3，PBT纤维的密度为1.31 g/cm3，最后根据显微投影法中的公式：

X2=100%-X1

式中：X1、X2分别为组分纤维1、2的质量百分比，%；d1、d2分别为组分纤维1、2的平均等效直径，μm；ρ1、ρ2分别为组分纤维1、2的密度， g/cm3，纤维密度根据纤维种类可查知；n1、n2分别为组分纤维1、2的根数。

经计算得出，X1≈38%，X2=100%-X1≈62%。与实际已知的PTT纤维和PBT纤维混纺比40%及60%相比，误差在±3%之内，测试结果比较理想。为提高方法的对比性，采用这种方法对实际已知的PTT纤维和PBT纤维混纺比为30%及70%进行同样的测试，结果为X1≈32%，X2=100-X1≈68%。符合误差范围之内。

7 结束语

本文基于图像处理及BP神经网络方法对PTT纤维与PBT纤维混纺样品进行智能化定性及定量分析，在各根纤维分离后，提取每根配对拟合后纤维的等效直径、色度和伸直度等3个特征值。构建大量的三维特征值数据为基础的BP神经网络，准确地识别出2种纤维，同时分别对2种纤维的根数进行自动统计。根据熔融显微投影法，成功对混纺纤维混纺比进行计算验证，与对应不同的实际混纺比比较，误差在±3%之内，测试结果比较准确。本文方法操作简便、无溶剂、绿色环保，符合行业发展的趋势。