织物摩擦声音的特征提取与辨别

杨剑平，孟 旭，徐蓉蓉，陶 晨

(1.绍兴文理学院 纺织服装学院, 浙江 绍兴 312000； 2.浙江省清洁染整技术研究重点实验室, 浙江 绍兴 312000)

人们很早就开始关注“丝鸣”现象，也发明了可将这一特性转移到其他纤维材料上的化学助剂[1-2]，但针对织物摩擦声音识别的研究却不多。相关研究总体上使用了二类方法，第一类是将摩擦声波视为一种机械运动，通过振动方程描述该运动形式，在此基础上可提取平均滑移速率[3]作为声波的指标之一，也可利用振动方程来推导发声过程[4]。然而机械振动方程对摩擦声波做的简化较多，导致声波中大量信息丢失。相比较而言，以傅里叶频谱为工具的第二类方法可用来传达摩擦声波中更多信息[5]。有学者在快速傅里叶变换的基础上构建摩擦声波特征参数，通过回归织物摩擦声音与力学性能之间的关系，推测织物耐磨性、刚柔性等力学性能参数[6]，或者由力学性能来推断织物的摩擦声波特征[7]。另外，还可利用从傅里叶变换中取得的特征参数研究不同纤维种类[8]、截面形态[9]、织物结构[10]及摩擦速度对声波信号的影响；通过问卷调查[11]或心理声学模型[12]研究特征参数与主体感受的关系，并通过自回归分析将摩擦信号划分到不同的主体感受类别中[13]。傅里叶频谱分析的特点在于着眼于频率及分布，将信号视为多个平稳子信号的叠加，同时也忽略了信号的时域特征[14]。在已有相关研究方法中，机械振动方程和傅里叶频谱均较适用于描述非稳态信号某一方面的特征，而对织物摩擦声波信号的全部内容难以进行完整的表征。本文基于哈尔特征(Haar feature)全面描述织物摩擦声音信号，使用渐进式辨别器对声音信号进行可分性研究，为通过摩擦声音识别纺织材料提供新的方法和工具。

1 实验部分

1.1 实验材料

本文使用Y208W型半自动小样机(南通三思机电科技有限公司)织造4类共32个织物试样，包括羊毛、棉、桑蚕丝、亚麻4种纤维材料。实验材料规格见表1。

1.2 声音采集

本文自制的摩擦声音采集装置见图1。将试样织物裁成长条状，一端固定，另一端用张力器扣住。将1个微型话筒安装在滑竿上，并通过数据线连接电脑。话筒到试样固定段的水平距离为40 cm，其高度可由滑竿上的齿轮调节。采集声音时，先将话筒用同种织物包覆，然后下降到接触试样的高度，并在张力器上产生5 N读数，以保证话筒与试样的紧密接触；打开电源，让电动机带动滑竿向前运动至试样另一端，其运动过程耗时被设定为1 s。此过程中话筒包覆织物与试样织物之间摩擦产生的声音被以8 kHz 的采样频率录制并储存到电脑中。采集实验在温度20 ℃、相对湿度65%的恒温恒湿实验室中进行。

表1 实验材料规格

1—张力器；2—滑竿；3—微型话筒；4—试样织物。图1 摩擦声音采集装置

图2 具有代表性试样织物摩擦声音信号

从4类织物中各选1个具有代表性的试样进行分析，具有代表性试样织物摩擦声音信号见图2。可以看出，这些信号具有典型的非稳定状态和衰减特征，使用频谱分析难以描述其全貌，故本文用哈尔特征进行分析。

2 实验方法

2.1 特征空间

哈尔特征是模式识别的常用工具之一。信号(V)的哈尔特征(F)定义为下列2个向量的乘积：

F(s,p)=V(s,p)×H(s)

式中：s为尺度参数、p为位移参数；V(s,p) 为信号在位移p处以尺度s截取的片段；H(s)为哈尔小波在尺度s上的缩放实例。若将s和p视为变量，则F(s,p)构建的三维空间即为信号V的哈尔特征空间。本文采样率决定了单个声音信号包含8 000个数据点，从而决定了s和p的范围为[1, 8 000]，因此1个声音信号的哈尔特征空间包含64 000 000个特征点。

利用灰度映射方法可将哈尔特征空间可视化。将p和s分别作为纵坐标和横坐标，将所有特征点上的值映射到灰度范围[0, 1]，得到摩擦声音信号的哈尔特征空间可视图见图3。

图3 摩擦声音信号的哈尔特征空间可视图

图3示出了与图2各试样摩擦声音信号对应的哈尔特征空间。可以看出，较亮的区域代表具有较大值的特征点，较暗的区域代表具有较小值的特征点。

2.2 特征辨别器

F(s,p)定义的哈尔特征空间代表了摩擦声音信号在所有尺度、所有位移上的特征，其中的每个特征点由一对坐标(s,p)表示。在每个点上构建1个特征辨别器(以D表示)如下：

式中：ts,p为特征辨别器D(s,p)的阈值，辨别器D(s,p)根据ts,p区分正样本和负样本。单个特征辨别器做线性判断，当该点上的特征值F(s,p)落在阈值ts,p的特定一侧时认作是正样本，反之认作负样本。

构建特征辨别器的关键是确定其阈值。规定辨别器D(s,p)的阈值ts,p必须同时满足以下2个条件：①ts,p必须正确判断所有正样本；②ts,p必须保持最小负样本的误判率。

对于羊毛、棉、桑蚕丝和亚麻4类织物中的任何一类，存在8个正样本和24个负样本。以羊毛织物试样特征辨别器Dw(1,2)为例，说明辨别器及其阈值的推导逻辑。首先对所有32个样本提取特征值，得到哈尔特征空间中点(1,2)处的特征值，见图4。

图4 哈尔特征空间中点(1,2)处的特征值

从图4可以看出，哈尔特征空间点(1，2)处正样本(羊毛)与负样本(棉、桑蚕丝、亚麻试样)的特征值范围严重重叠，无法根据单一阈值进行有效的区分。计算得到正样本在该点的特征值范围为0.08～0.46，为能够正确判断所有正样本(即满足上述阈值条件①)，该点阈值应取0.08或0.46。若取0.08且将特征值大于等于该值的样本认作正样本，则计有20个负样本将被误判；若取0.46且将特征值小于等于该值的样本认作正样本，则有15个负样本被误判。为使负样本的误判率较低(即满足上述阈值条件②)，最终该点阈值应取0.46，即：

如此建立的特征辨别器为“弱”辨别器，它可以正确判断所有正样本，但判断负样本的准确率很低。单个特征辨别器的作用远远不够，但由于每个辨别器都会排除一些负样本，大量辨别器共同发挥作用则可能成为有力的工具。

2.3 辨别器队列

综上所述，每个摩擦声音信号包含64×106个特征点，每个类别也就拥有64×106个特征辨别器，数量如此庞大的辨别器带来的沉重运算负荷，使得其难以在实际中运用。本文通过调整和设计辨别器的顺序，构造了1个队列，使得负样本在穿过队列的过程中能够被尽早否决。

在辨别器队列问题上本文的思路是：队列中的每个辨别器必须尽可能多地否决负样本，同时能够弥补上个辨别器的缺陷。为实现这一目的，为每个负样本分配1个权值，该权值根据辨别器在负样本上的表现不断调整，使得被选中的辨别器倾向于修正已存在的错误。具体步骤描述如下：

步骤1：为每个负样本分配初始权值1.0。

步骤2：“”为每个辨别器计算得分，是其否决的所有负样本的权值之和。

步骤:3：选择得分最高的辨别器(记为Dm)放入队列末尾。

步骤4：将被辨别器Dm误判的负样本的权值翻倍，跳转到步骤2。

步骤2到步骤4反复执行，直到队列积累了指定数量的辨别器。这些辨别器构成1个有序的队列，可大幅提高辨别的效率。

3 结果与讨论

3.1 辨别器及队列

如前所述，每个类别存在64×106个特征辨别器，所有正样本都能通过这些辨别器，但1个负样本通过所有辨别器的概率非常小，羊毛负样本通过特征辨别器的数量见图5。

图5 羊毛负样本通过特征辨别器的数量

由图5可以看出，没有1个负样本能够通过所有辨别器。即64×106个辨别器共同否决了所有羊毛负样本，由于其能够100%识别正样本，因此总的辨别率也是100%。对于其余3类织物，用同样的方法构建辨别器，计算得到负样本否决数及总辨别率，见表2。

表2 负样本否决数及总辨别率

图6 羊毛负样本在辨别器队列中的通过量

从图5可以看出，绝大多数羊毛负样本的通过量集中在24×106个～48×106个之间，这说明特征辨别器作为整体存在很大的优化空间。对羊毛类样本构建辨别器队列，长度取4×106个，羊毛负样本在辨别器队列中的通过量见图6。可以看出，没有负样本能够穿过该队列。与图5相比较，该队列保持了100%的辨别率，但辨别器数量有大幅减少。

为4类样本分别构建辨别器队列，辨别器数量每次增加5×105个在不同队列长度下实验，得出负样本否决数与辨别器队列长度的关系见图7。

图7 负样本否决数与辨别器队列长度的关系

从图7可以看出，长度为2×106的队列可否决所有桑蚕丝负样本，辨别器数量下降96.88%；长度为4×106的队列可否决所有羊毛负样本，辨别器数量下降93.75%；长度为4.5×106的队列可否决23个棉负样本，辨别器数量下降92.97%；长度为5×106的队列可否决22个亚麻负样本试样，辨别器数量下降92.12%。故使用辨别器队列可大幅减少辨别器数量，提高运算效率，且使辨别的正确率保持不变。

3.2 织物密度和组织的影响

影响织物摩擦声音辨别的主要因素，除纤维材料外，还有织物密度和织物组织，其在辨别器队列中通过的长度是不同的。从图6可以看出羊毛负样本在辨别器队列中通过的情况为：平纹、低密试样易于在早期(辨别器队列的前端)被否决，而斜纹(或缎纹)、高密的样本则倾向于在较晚阶段被否决。即平纹、低密试样比斜纹(或缎纹)、高密试样易于辨别。

为验证上述推断，分别计算低密试样和高密试样在辨别器队列长度上的数量分布。织物密度对辨别能力的影响见图8。

本文4类织物试样，每类包含2种织物组织和4种织物密度共8个试样，低密度指每种织物组织中前2种较低的密度配置，高密指每种织物组织中后2种较高的密度配置。对每个类别，存在24个负样本，其中低密度试样和高密度试样各12个，因此所有4类共有低密度试样和高密度试样各48个。

由于否决不同数量的负样本所需的队列长度不同，图8中使用了归一化的队列长度。从图8可以看出，低密试样和高密试样对应的队列长度都呈正态分布；低密试样对应的队列长度集中在0.3附近，即多数低密试样在穿过所属类别的辨别器队列30%左右被否决；而高密试样队列长度则以0.6为分布中心，即多数高密试样在穿过所属类别的辨别器队列60%左右被否决。这证明低密试样比高密试样易于辨别。类似地，可分别计算平纹试样和斜/缎纹试样在辨别器队列长度上的数量分布。织物组织对辨别能力的影响见图9。

图8 织物密度对辨别能力的影响

图9 织物组织对辨别能力的影响

从图9可以看出，平纹试样队列长度集中在0.5附近，而斜/缎纹试样队列长度集中在0.7附近，因此平纹试样比斜纹和缎纹试样稍微易于辨别。

4 结束语

本文在哈尔特征空间之上建立了特征辨别器，这些辨别器能够以较高的准确率区分棉、羊毛、桑蚕丝和亚麻4类织物。通过倾向性选择组建了辨别器队列，该队列能够大幅减少辨别器的数量，提高运算效率，并保持辨别准确率不变。此外，讨论了织物密度和织物组织对辨别队列的影响，发现低密、平纹织物比高密、斜纹或缎纹织物通过的辨别器数量少，更易于被辨别。结果表明本文构建的辨别器队列可确保高效运行并将织物摩擦声音的辨别率保持在90%以上。