机器学习在纺织领域中的应用_郭燕蕾.pdf

机器学习在纺织领域中的应用印染（2023 No.2）机器学习在纺织领域中的应用郭燕蕾1，钮宇翔2，唐辉3，王君4()1.江苏省苏州丝绸中等专业学校,江苏 苏州 215228;2.苏州敬天爱人环境科技有限公司,江苏 苏州 215228;3.上海电子信息职业技术学院,上海 201411;4.广东万德检测技术股份有限公司,广东 广州 510800摘要：介绍了机器学习的概况，包括机器学习的基本原理以及常用算法；详细阐述了目前机器学习在纺织领域中的应用状况，包括纤维鉴别与分类、纺织生产过程、织物疵点检测、织物染色、纺织品物理性能评估与预测等，并对其在应用中出现的一些问题进行了分析；提出了机器学习在未来纺织领域的发展方向。关键词：机器学习；纺织；原理；应用中图分类号：TS190.2文献标志码：A文章编号：1000-4017（2023）02-0073-06Application of machine learning in the field of textileGUO Yanlei1,NIU Yuxiang2,TANG Hui3,WANG Jun4|1.Jiangsu Suzhou Silk Secondary Specialized School,Suzhou 215228,China;2.Suzhou Jingtianairen Environmental Technology Co.,Ltd.,Suzhou 215228,China;3.Shanghai Technical Institute of Electronics&Information,Shanghai 201411,China;4.Guangdong Wande Testing Technology Co.,Ltd.,Guangzhou 510800,ChinaAbstract:This paper firstly introduces the general situation of machine learning,including the basic principle and common algorithms,and details the applications of machine learning on fiber identification and classification,textile manufacturing,fabric defect detection,fabric dyeing,assessment and predication of physical properties.Problems arising in the applications of machine learning in the field of textile are analyzed.The development direction of machine learning in future in thefield of textile is also prospected.Key words:machine learning;textile;principle;application收稿日期：2023-02-02基金项目：国家自然科学基金青年基金（11802317）。作者简介：郭燕蕾（1983），女，高级讲师，主要从事纺织品生产的教育教学工作，以及纺织印染行业节能环保工艺技术开发。0前言机器学习是一种专门研究电脑如何模仿并实现人们的学习活动，并获得新的知识或技术，以及重新组合人类现有的知识结构，使其提高自己性能的多领域交叉学科。从 20世纪中叶开始，机器学习的发展主要有四个阶段。其中，第一阶段的研究主题为“是否有知识的学习”，这段时期主要研究了系统的执行力。第二阶段的研究方向是如何将不同领域的知识导入到系统里，主要通过机器模拟人类学习。第三阶段是复兴时期，在这段时期里，人们从一开始的研究单概念到研究多概念，开始融合学习系统与各种应用，且收获颇丰。第四阶段则踏上了机器学习的新台阶1。伴随着机器学习技术的不断发展，在军事领域、民用领域的各行各业，都有其应用的地方，其功能应用主要包括数据分析与挖掘、模式识别。本文主要针对机器学习基本原理以及它在纺织领域中的应用做详细的阐述，并就机器学习在纺织领域的应用进行剖析与展望。1机器学习的基本原理机器学习是基于大数据和一定的算法准则，让计算机可以主动模拟人类学习过程，并分析数据“学习”提高性能，以做出模拟人类决策的行为，可以简单地理解为寻找一个功能函数，基于该函数在输入一个或多个参数后，能够计算返回一结果的过程。机器学习通常经历输入、学习（又称为训练）和输出三个步骤，机器学习的标准步骤如图1所示。输入数据收集数据预处理学习模型选择模型训练模型评估超参数调整输出预测及分析图1机器学习基本流程图2Fig.1Basic flow chart of machine learning其中，数据输入阶段有数据收集和预处理两个步骤。数据是机器学习的重中之重，数据挖掘的前提是有大量的数据且存有有用的数据集，数据需要完整且合理分布，数据的形式通常会影响模型学习。模型的学习，是通过必要的算法对数据分析识别或寻找数据间可能存在的关系，该步骤一般有模型选择、模型训练、模型评估以及超参数调整等过程。输出阶段则运用优化过的模型对采集到的未知数据进行分析预测。机器学习可运用到的领域较广，模型的精度很大程度上决定了实际的应用效果。也就是说，机器能否通过大量学习类似的问题，从而得出正确的经验规律来处理新问题2。监督学习中样本集是既有特征也有结果的数据，其主要任73印染（2023 No.2）务是根据这些已知特征和结果的数据集训练模型，使得训练后的模型能够根据输入的特征值，准确预测结果。相反，无监督学习是指数据样本只有特征值而没有结果值的一组数据，程序只会根据样本本身寻找规则并预测答案。机器不同的学习任务可以分成四种，即分类、回归、聚类和降维。在这四种任务中，分类和回归是监督学习任务，聚类和降维则相反。这四种方式可以体现出对数据的处理方式，其主要功能见表1。表1机器学习的任务与算法2Table 1Tasks of machine learning and algorithms2学习任务主功能类型主要算法分类对已有数据进行分类，将给定样本放入相应类别监督学习K 近邻；决策树；支持向量机；朴素贝叶斯；线性判别法；神经网络回归用函数拟合已知数据，从而预测未知样本监督学习线性回归；多项式回归；Logistic 回归；LASSO 回归；支持向量机回归；Ridge 回归；Elastic-Net 回归；XG-Boost 回归；神经网络；深度学习聚类不经过训练，将样本划分为若干类别无监督学习基于划分的方法：K-MEANS、K-MEDOIDS、CLARANS；基于层次的方法：BIRCH、CURE、CHAMELEON等；基于密度的方法：DBSCAN、OPTICS、DENCLUE等；基于网格的方法：STING、CLIQUE、WAVE-CLUSTER；基于模型的方法降维减少要考虑的随机样本的数量无监督/有监督学习奇异值分解；主成分分析；因子分析；独立成分分析；线性判别分析（有监督）机器学习需要借助不同算法实现，表1列出了不同学习任务对应的常用算法。其中，一些较常见的算法有：线性回归、朴素贝叶斯、K近邻、支持向量机、决策树、随机森林、最大期望算法、K均值、人工神经网络和深度学习等，其详细解释可参考相关书籍3-4或百度等网络。2机器学习在纺织中的应用现状2.1机器学习在纤维鉴别分类中的应用机器学习在毛、棉以及各种纤维分类或鉴别中存在较广泛的研究5-10。其中，在羊毛与羊绒的鉴别方面研究相对较多。苏州纤维检验院的陆晓芳5采用机器学习方法开展了羊绒羊毛鉴别研究。通过电子显微镜获取鳞片纹图，并计算鳞片的直径、鳞片的高度、鳞片的径高比以及鳞片的密度4个参数，并以此为根据，结合机器学习的方法，编写了一种基于贝叶斯网模型的羊绒羊毛鉴别系统。贝叶斯网采用有向无环图结构刻画各个特征之间的关系，假设各个特征的概率是独立的，将模型的准确率提高至93%。近期，陆晓芳6采用Python编程语言以及Numpy、sklearn、statsmodels和panda等PyPI包，构建了一个支持向量机算法的细羊毛与羊绒鉴别系统，实现对细羊毛与羊绒的辨别与分类，测试准确度达93%，具有一定的应用价值。东华大学路凯博士9为鉴别羊绒羊毛纤维，深入开展了不同羊毛羊绒纤维的显微视觉特征表达与识别算法研究。该研究通过拍摄5万余幅显微镜图像，建立了一个羊绒和羊毛纤维图像数据集。同时提出一种基于投影曲线的纤维识别方法，首先将羊绒/羊毛纤维图像转化为投影曲线，然后使用离散小波变换、递归定量分析、曲线的直接几何描述等3种不同方法从投影曲线中提取特征，再将提取的特征输入到神经网络、支持向量机、核岭回归等几种分类器中对纤维的进行识别分类。对比几种方法的测试结果，发现递归定量分析和支持向量机组合分类效果最好，识别率达到 90.8%。此外，还探索了基于空间金字塔匹配的词袋模型、基于纤维表面纹理特征的局部二进制模式、基于VGG-16模型建立的一个卷积神经网络模型等方法在羊毛羊绒鉴别中应用。武汉科技大学的蔡月月10基于深度神经网络对棉花分类图像分类方法进行研究，利用传统的深度神经网络包括AlexNet，Vggl6和GoogleNet对棉花进行了分类研究。为提高分类准确性，在传统的神经网络基础上进行改进，利用卷积核来增加浅层、中间层到深层的特征信息，并且采用点卷积结合特征，最终全连接层将所有的特征连接起来进行分类，进一步提高了深度神经网络对棉花图像的分类准确率。可以看出，不同研究者采用不同算法在对纤维鉴别进行着不断探讨，其检测的泛化能力尚未形成统一认识。目前，机器学习研究纤维鉴别或分类仍然是研究的重要方向，其主要研究重点在于方法判别的准确性与效率方面。2.2机器学习在纺织工艺研究中的应用由于纺织工艺的复杂性，机器学习在纺织设备运行、参数预测、工艺优化等11-19方面具有非常重要的意义。为了延长经编机使用寿命，侯涛11通过分析影响经编机故障预测的各类指标，采用基于主成分分析对海量的经编机生产状态数据进行降维处理，并构建了基于距离判别法评估的故障预测模型，从而实现了经编机的智障预测。该方法提高了运转状态预测活动在生产环境复杂多变条件下的适应能力，并赋予其故障预测智能性，在确保织机正常运转方面具有一定的应用价值。然而，由于对设备运行数据的缺失，其研究尚需进一步探索。针对整体穿刺加压密实过程中碳布回弹导致平均层高波动范围较大，影响立体织物性能的问题，天津工业大学的杨景朝等12提出了一种基于机器学习理论的整体穿刺加压参数预测方法。该方法将平均层高与穿刺加压参数之间复杂建模转换为多元回归问题，使用适合计算机运算的无约束优化迭代方法求解。基于scikit-learn类库对特征变量进行特征选择，对比6种回归模型的预测性能得分后选择K近邻回归作为基学习器，模型的预测性能主要通过集成算法提高。预测模型部署到生产环境后的试验结果表明：使用机器学习预测后，加压参数对整体穿刺过程平均层高均值变化的响应速度得到提高，且均值变化幅度得到降低，试验样本平均层高波动范围均值从12.0降低至6.8，实现对工艺参数的预测与工艺优化。纤维排布方式和针刺工艺等参数对针刺碳/碳复合材料性能具有重要影响，西安交通大学的成博等13将试验、工业生产或数值模拟得到的“结构-工艺-性能”的材料数据存入到数据库模块中，并利用这些数据基于神经网络回归算法训练机器学习模型，开发了一套基于Web界面的针刺碳/碳复合材料结构-工艺-性能一体化软件平台，并建立了结构-工艺-性能之间的映射关系。利用这一软件平台，进一步基于试验数据和对应的机器学习模型对针刺碳/碳复合材料性能进行预测，从而为设计和优化针刺碳/碳复合材料的结构参数74机器学习在纺织领域中的应用印染（2023 No.2）和工艺参数提供