利用改进的暹罗网络和高光谱技术进行纺织品的颜色分级
《Chemometrics and Intelligent Laboratory Systems》:Textile color grading using an improved Siamese network and hyperspectral technology
【字体:
大
中
小
】
时间:2026年04月27日
来源:Chemometrics and Intelligent Laboratory Systems 3.8
编辑推荐:
本文提出一种基于改进Siamese神经网络的高光谱成像纺织品颜色分级方法,通过深度卷积层和曼哈顿距离度量提升模型对光谱差异的敏感度,实验结果显示准确率达95.70±2.48%,优于传统化学计量模型。
任宇琦|刘金霞|程亚涛|杨向东|孟红|史彦
东北电力大学自动化工程学院,吉林省,132012,中国
摘要
高精度、非接触式的颜色分级在纺织品质量控制中仍然是一个具有挑战性的问题。在这项研究中,开发了一种基于高光谱成像的孪生神经网络用于纺织品颜色分级。为了解决光谱数据的高维度问题,改进的模型结合了卷积特征提取和曼哈顿距离度量,建立了一个有效的相似性学习框架,能够捕捉纺织品样本之间的细微光谱差异。实验结果表明,改进的方法取得了优异的分类性能,准确率为95.70 ± 2.48%,精确率为96.28 ± 3.47%,召回率为95.70 ± 2.48%,F1分数为95.14 ± 3.19%。与传统化学计量模型相比,改进的孪生网络表现出最佳的整体性能。结果进一步表明,曼哈顿距离度量对于表征高维高光谱数据中的细微光谱差异是有效的。此外,预测的分级结果与代表性样本的分光光度计测量结果高度一致,支持了改进方法的实际可靠性。总体而言,这些发现证明了基于孪生网络的高光谱分析在织物颜色差异分级中的可行性和有效性,并为化学计量学中的其他材料分类任务提供了新的视角。
引言
随着纺织工业对产品质量和外观要求的不断提高,精确的颜色分级已成为质量控制的关键要素。传统的颜色评估方法包括目视检查[1]、分光光度法[2,3]和光电积分[4]。目视检查依赖于经过培训的质量控制人员,他们通过肉眼比较样本和标准样品之间的颜色差异并给出等级。然而,这种方法容易受到主观因素和光照条件的影响,导致评估结果的不一致性和误差。分光光度法分析样本的波长、色度和其他光谱指标,以计算测试样本和标准样本之间的颜色差异。虽然这种方法具有高重复性和较强的抗干扰能力,但其较大的体积、低检测速度和高成本限制了其在大规模生产中的应用。光电积分分析光谱能量以计算三刺激值[5],然后利用这些值推导其他颜色参数。尽管这种方法在实时处理和成本方面具有优势,但其较低的精度影响了其在精确分级中的应用。
随着机器视觉技术的快速发展,将机器视觉和图像处理集成用于颜色差异检测已成为该领域的研究焦点。例如,周等人使用极端学习机和鲸鱼优化算法的组合以及差异分类模型对织物颜色差异进行了优化[6]。胡等人提出了一种结合空间金字塔策略和原始卷积神经网络的方法用于车辆颜色识别[7]。陈等人引入了一种基于遗传算法的颜色差异直方图方法,用于多晶硅太阳能电池的颜色分类[8]。苏等人通过布谷鸟搜索优化了小波神经网络,以减少青色-品红色-黄色-黑色(CMYK)到CIE 1976 L?a?b?(CIELAB)转换中的颜色误差,提高了数字打印质量[9]。余等人采用最小二乘支持向量机(LSSVM)准确预测了染色棉织物的颜色质量,实现了工业上可接受的色差ΔE?小于2.0[10]。费尔南德斯等人开发了多个多变量模型,包括UNEQ、PLS和MLF神经网络,基于酿酒参数和颜色测量来准确分类和预测年轻的里奥哈红葡萄酒的颜色质量[11]。然而,诸如绒毛、纹理不规则性和环境光照干扰等因素使得数字图像难以准确表示真实的织物颜色,从而影响了颜色差异检测结果的准确性。
为了解决这个问题,光谱反射率作为一种可靠的颜色表示指标,可以有效地提供颜色信息的定量描述[[12], [13], [14]]。吴等人提出了一种长波长近红外高光谱成像方法,结合连续投影算法进行波长选择和多元线性回归模型,快速且无损地映射三文鱼片子的颜色分布[15]。库库扎等人提出了一种高光谱成像和机器学习方法,实现了回收HDPE片材的近乎完美的颜色分类,促进了高质量塑料的回收[16]。杨等人使用可见光和近红外光谱以及遗传算法和人工神经网络准确评估红茶的颜色质量,提供了一种替代人工感官评估的自动化方法[17]。卡姆鲁扎曼等人使用高光谱成像和特征波长选择准确预测和映射红肉的颜色参数L?a?b?[18]。文等人开发了一种使用近红外光谱和偏最小二乘模型的非破坏性方法来评估蛋黄颜色,实现了比传统技术更高的预测准确性[19]。
高光谱成像技术相比传统分光仪(如分光光度计和光纤分光仪)具有显著优势。与传统分光仪仅在有限的波长范围内测量不同,高光谱成像可以精确测量多个连续波长范围内的光谱,捕捉物体在不同波长下的细微变化,提供更丰富的光谱信息。这使得它能够在颜色差异测量、颜色匹配和表面缺陷检测等任务中更准确地反映物体的光谱特性[[20], [21], [22], [23]],优于传统方法。此外,通过结合每个像素的光谱和空间信息,高光谱成像可以全面描绘物体细节。在复杂环境中,特别是在识别细微颜色差异方面,它具有明显优势,并且在需要精确区分的应用中表现出色。与传统的分光光度计相比,基于高光谱数据的颜色差异分析不仅提高了准确性,还克服了与光源和波长范围相关的限制。高光谱成像可以在不同的光照和角度下进行精确测量,显著提高了颜色差异分析的适应性和准确性。通过结合光谱信息和高分辨率空间图像,它在检测微小差异方面提供了更高的精度,尤其是在高反射率、透明材料或梯度区域的颜色差异分析中,提供了更全面和稳定的结果。
本研究提出了一种基于高光谱成像和改进的孪生网络的织物颜色差异评估方法。高光谱成像用于捕获织物的光谱反射数据——这些数据本质上反映了染料分子中化学结构和功能团的振动特性——我们设计了一种改进的孪生网络结构,更适合直接分类织物颜色差异的光谱数据特性。传统方法通常需要将光谱反射数据转换为颜色三刺激值(XYZ),然后计算CIE LAB颜色空间特征值(L?, a?, b?)进行颜色差异评估。这个过程复杂且容易引入误差。为了解决这个问题,本研究通过使用更深的卷积层和池化层优化了传统的孪生网络结构,增加了全连接层以增强网络捕捉高维光谱特征的能力,并使用曼哈顿距离作为相似性度量,提高了网络对细微光谱差异的敏感性。这些改进使网络结构更适合织物光谱数据的特性,显著提高了颜色差异分类的准确性,同时大大降低了计算复杂性。这种方法具有更强的实用性和工业应用潜力。本研究的主要贡献如下:
1.本研究提出了一种基于光谱反射数据的端到端织物颜色差异分级方法,消除了对颜色空间转换或依赖传统ΔE计算过程的需求。该模型可以直接从原始高光谱数据中分类颜色差异级别,显著简化了传统评估过程并提高了评估效率。
2.设计了一种改进的孪生网络结构,结合了多层卷积和池化,以增强局部和全局光谱特征的提取,适应高维和复杂的高光谱数据特性。
3.引入曼哈顿距离作为分支输出的相似性度量,提高了模型对细微光谱差异的敏感性,更好地满足了颜色差异评估中对细微差异进行精确判断的需求。
4.创建了一个针对实际织物检测任务定制的数据集,并完成了实证验证。实验结果表明,该方法在分级准确性和效率方面均优于传统方法,显示出在工业应用中的强大潜力。
部分内容片段
高光谱成像系统和分光光度计
Gaiasorter高光谱成像系统用于捕获织物样本的光谱信息。该系统由几个关键组件组成,包括CCD相机、成像光谱仪、光源、移动平台、镜头、控制器和计算机。整个系统由计算机精确控制,能够实时捕获样本表面的反射光并生成连续的一维图像以及相应的光谱数据。
光谱预处理
如图3所示,在实验中收集的不同颜色的织物样本的高光谱反射数据在建模之前需要进行预处理,以提高数据质量并增强模型训练的稳定性和鲁棒性。首先,为了处理收集数据中的残余高频噪声和荧光背景干扰,尽管已经进行了初步的去噪,但仍可能存在影响特征表达的异常波动。
结论
本研究提出了一种基于高光谱成像的织物颜色差异分级框架,使用了改进的孪生网络。所提出的模型采用了权重共享的双分支架构来学习判别性光谱表示,并采用曼哈顿距离作为相似性度量,从而能够从光谱反射数据中有效分类织物颜色差异级别。
实验结果表明,所提出的方法取得了强大且稳定的
CRediT作者贡献声明
任宇琦:撰写——原始草案、可视化、软件、方法论、数据管理。刘金霞:验证、软件、形式分析。程亚涛:可视化、数据管理。杨向东:形式分析、数据管理。孟红:撰写——审稿与编辑、监督、资金获取、概念化。史彦:撰写——审稿与编辑、监督。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号