[发明专利]基于红外光谱检测技术的纺织品分类识别方法

说明书

本发明提供了一种基于红外光谱检测技术的纺织品分类识别方法，包括：S1、首先将不同类纺织品的烘干样品进行吸潮。对于同一个样品，随吸潮时间不同，制备不同含水量子样品；S2、采集所有样品子样品的近红外光谱；S3、对每个样品的一系列子样品近红外光谱进行二维相关光谱分析，得到同步二维相关光谱图和异步二维相关光谱图，然后，将同步二维相关光谱图和异步二维相关光谱图融合得到混合二维相关光谱图；S4、使用基于深度人工神经网络的GoogLeNet图像识别模型，结合迁移学习方法，由S3中不同类样品的光谱图像建立图像分类模型，实现对不同类纺织样品的分类与识别。本发明能够有效的识别和分类成分复杂、组成高度相似的不同类纺织品。

技术领域

本发明涉及纺织品检测识别技术领域，尤其是涉及一种基于红外光谱检测技术的纺织品分类识别方法。

背景技术

不同物质的分子结构不同，其近红外光谱也不同。采用模式识别方法，根据样品近红外光谱特征差异，可以实现样品分类与判别，主要依靠化学信息上的差异。红外光谱判别分析过程包括光谱预处理，特征提取和模式识别等步骤，通过比较待测样品到已知不同类别样品的光谱距离进行分类识别。对于在光谱上具有明显差异的不同类样品，红外光谱检测识别方法是有效的，已被广泛用于诸多领域。

但是，对于纺织品中化学组成极其接近的不同类样品，其光谱间差异较小。纺织品样品形态或环境因素变化会产生较大的光谱测量误差，对不同类样品近红外光谱中化学信息差异具有湮灭作用，使用现有判别方法，难以获得满意效果。例如，羊绒与羊毛都是蛋白纤维，它们在化学组成上都非常相似，其近红外光谱差异也很小。由于实际纺织品的多样性和复杂性，不同类样品在捻度、质地结构、染整工艺等方面的差异都很明显，由此产生的噪声对其有用的光谱差异信息具有严重的淹没作用。将常用的微分、多元散射校正(MSC)或者标准正态变换(SNV)等光谱预处理方法、主成分分析(PCA)、簇类独立软模式识别 (SIMCA)、偏最小二乘判别分析法(PLS-DA)、支持向量机(SVM)等用于这类样品，分类效果满足往往不了实际要求，难以实现山羊绒纺织品和山羊绒羊毛混纺纺织品有效分类。

因此，目前传统的红外光谱分析手段对于纺织品中成分复杂、组成高度相似的不同类样品不能有效识别和分类。

发明内容

本发明的目的是提供一种基于红外光谱检测技术的纺织品分类识别方法，解决传统的红外光谱检测手段对于纺织品中成分复杂、组成高度相似的不同类样品不能有效识别和分类的技术问题。

为了达到上述目的，本发明提供如下技术方案：

基于红外光谱检测技术的纺织品分类识别方法，包括如下步骤：

S1、首先将不同类纺织品样品干燥后进行吸潮，并在吸潮过程中的不同时期，得到不同含水量的子样品；

S2、采集所有样品子样品的近红外光谱；

S3、对每个样品子样品近红外光谱进行二维相关光谱分析，得到同步二维相关光谱图和异步二维相关光谱图，将同步二维相关光谱图和异步二维相关光谱图融合，构造混合二维相关光谱图；

S4、使用GoogLeNet深度人工神经网络图像识别模型结合迁移学习方法，由S3的得到的所有样品光谱图像，建立图像分类模型，实现对不同类纺织样品的分类与识别。

进一步地，S4中，仅对GoogLeNet网络最后4层结构进行训练，并且保留其它层结构不变。

进一步地，S4中，对GoogLeNet图像识别模型的迁移学习过程中，第141 Dropout层的输入元素以65％的概率随机设置为零，以防止过拟合。