一种面料成分智能分析方法

本技术实施例涉及但不限于纺织品成分智能分析，尤其涉及一种面料成分智能分析方法。

背景技术：

1、在纺织面料分析与检测领域，传统方法面临着诸多挑战与限制。首先，关于面料编织结构的识别，当前技术主要依赖于单一方法，仅能识别机织物、纬编织物或经编织物，而对于非织造布等新型面料结构则缺乏有效的识别手段。其次，在面料成分含量的测定方面，现有技术普遍需要将面料拆解成纱线，进而分析纱线中各组分纤维的种类及含量。然而，这一过程不仅耗时费力，且对于结构复杂、特别是经编织物、机织物等难以拆解的面料而言，其检测效率极低，难以满足快速、高效的市场需求。此外，由于纱线内纤维因加捻作用而紧密抱合，加之染色后颜色深重、透光率低，使得常规观测方法难以获得清晰的纤维轮廓图像，从而增大了测试结果的误差，甚至导致错误检测。

2、树脂包埋法作为一种常用的样品制备技术，在纤维检测中也存在显著缺陷。该方法所使用的树脂材料坚硬且易碎，在切片过程中易导致样品破损；同时，常温下纤维的韧性和刚性大，使得切片操作难以保持平整，容易发生抽拉现象，进而造成景深不一致、图像模糊等问题，严重影响测试结果的准确性和可靠性。面料成分分析的常规计算方法是先分别计算经向、纬向中各组分纤维的质量百分含量，再根据经向、纬向的占比，最后折算整块面料内各组分纤维的质量百分含量，计算复杂，不同组织结构面料中纤维含量计算公式不统一，极大降低检测效率。

技术实现思路

1、以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

2、本技术实施例提供了一种面料成分智能分析方法，解决了纤维易损、图像不清及织物组织差异导致的计算难题，从而有效提高了面料成分分析的精准度与效率。

3、本技术实施例提供的一种面料成分智能分析方法，包括：

4、获取待测面料样品，识别得到所述待测面料样品的面料组织结构种类；

5、根据所述面料组织结构种类对所述待测面料样品进行光热固化预处理与标准试样快速制备，得到标准试样；

6、拍摄所述标准试样的短侧边纱线内的纤维横截面图像；

7、提取所述纤维横截面图像中各组分纤维的特征集，根据所述特征集识别得到每根纤维的种类和横截面积；

8、根据所述每根纤维的种类和横截面积，统计得到所述各组分纤维的密度和总横截面积；

9、根据所述各组分纤维的密度和总横截面积，计算得到所述待测面料样品中各组分纤维的质量百分含量。

10、在本技术一实施例中，所述识别得到所述待测面料样品的面料组织结构种类，包括：将所述待测面料样品输入训练好的面料成分智能识别模型进行面料识别，得到所述待测面料样品的面料组织结构种类；

11、所述训练好的面料成分智能识别模型的训练步骤包括：获取面料识别数据集，对所述面料识别数据集进行去噪和归一化处理，得到标准面料训练集；构建初始面料成分智能识别模型；将所述标准面料训练集输入所述初始面料成分智能识别模型进行面料识别，得到预测信息；根据所述预测信息与真实值计算第一损失值，通过第一损失值调节所述初始面料成分智能识别模型的参数，直至所述第一损失值满足预设值，得到训练好的面料成分智能识别模型。

12、在本技术一实施例中，所述获取面料识别数据集包括：分别获取机织物、经编织物、纬编织物和非织造布的多个试样，得到第一识别试样集；对所述第一识别试样集进行图像采集，得到面料识别数据集。

13、在本技术一实施例中，所述根据所述面料组织结构种类对所述待测面料样品进行光热固化预处理与标准试样快速制备，得到标准试样，包括：根据所述面料组织结构种类制备得到待测试样，将透光剂和光敏树脂溶液滴加到所述待测试样的短侧边，得到预处理试样；对所述预处理试样进行多角度的光辐照和光热固化，得到标准试样。

14、在本技术一实施例中，所述根据所述面料组织结构种类制备得到待测试样，包括：在所述机织物的经向和纬向选取第一试样，在所述经编织物的经向选取第二试样，在所述纬编织物的纬向选取第三试样，在所述非织造布的经向和纬向选取第四试样，由所述第一试样、第二试样、第三试样或第四试样得到待测试样。

15、在本技术一实施例中，所述光敏树脂的成分包括丙烯酸类、环氧丙烯酸酯类、环氧丙烯酸酯类、聚酯类和聚氨酯类中的至少一种；所述透光剂包括香柏油、松柏油、cargi lle油和二甲苯中的至少一种。

16、在本技术一实施例中，所述对所述预处理试样进行多角度的光辐照和光热固化，得到标准试样，包括：将所述预处理试样平铺在光热固化台上，使用紫外光和红外光组成的混合光，从单向或上下双向进行多角度辐照，得到标准试样；其中，所述多角度的光辐照方向与相应平面所形成的角度的范围为30°至150°，辐照时间t的范围在3秒至60秒。

17、在本技术一实施例中，所述根据所述特征集识别得到所述每根纤维的种类和横截面积，包括：将所述特征集进行特征值标准化处理，得到标准化特征集；将所述标准化特征集输入各项指标最好的纤维识别模型进行分类与定位识别，得到每根纤维的种类和横截面积；所述各项指标最好的纤维识别模型的训练过程包括：获取纤维训练数据集，对所述纤维训练数据集进行去噪和归一化处理，得到标准纤维训练集；构建初始纤维识别模型，所述初始纤维识别模型包括输入层、隐藏层和输出层；将所述标准纤维训练集输入所述输入层，利用所述隐藏层对所述标准纤维训练集进行特征提取，得到纤维特征信息；利用所述输出层对所述纤维特征信息进行分类与定位识别，得到输出值；对所述纤维识别模型进行迭代训练，直至所述输出值与真实值之间的误差满足预设误差值，得到各项指标最好的纤维识别模型。

18、在本技术一实施例中，所述获取纤维训练数据集，包括：分别获取多种组织结构面料的多个试样，得到第二识别试样集；对所述第二识别试样集进行图像采集，得到纤维横截面图像；对所述纤维横截面图像进行图像处理，提取得到所述纤维横截面图像中各组分纤维的横截面积特征、纤维直径特征、纤维周长特征和纤维边缘轮廓展开线特征；获取所述各组分纤维的偏光色，将所述偏光色转为灰度值，得到第一灰度特征；获取所述各组分纤维的荧光显色，将所述荧光显色转为灰度值，得到第二灰度特征；获取所述各组分纤维的纤维熔点，得到纤维熔点特征；获取所述各组分纤维的溶解性能，得到溶解性能特征；将所述各组分纤维的横截面积特征、纤维直径特征、纤维周长特征、纤维边缘轮廓展开线特征、第一灰度特征、第二灰度特征、纤维熔点特征和溶解性能特征进行特征值标准化处理，得到纤维训练数据集。

19、在本技术一实施例中，所述待测面料样品的面料组织结构种类包括机织物、经编织物、纬编织物和非织造布，所述根据所述各组分纤维的总横截面积和密度，计算得到所述待测面料样品的各组分纤维的质量百分含量，包括：若所述待测面料样品为机织物，合并统计所述机织物的经向和纬向的纤维；若所述待测面料样品为纬编织物，统计所述纬编织物的纬向的纤维；若所述待测面料样品为经编织物，统计所述经编织物的经向的纤维；若所述待测面料样品为非织造布，合并统计所述非织造布的经向和纬向的纤维；其中，所述待测面料样品的第i种组分纤维的质量百分含量计算公式为：

20、

21、式中，ρi表示第i种组分纤维的密度，i∈[1，i]，i为正整数，si表示第i种组分纤维的总横截面面积，m表示测试中待测面料样品各组分纤维总质量。

22、本技术实施例提供的面料成分智能分析方法，先获取并识别待测面料样品的面料组织结构种类，然后依据面料组织结构对待测面料样品进行光热固化预处理与标准试样快速制备，得到标准试样。通过对待测面料样品进行光热固化预处理，能够有效软化了样品纤维，增大了纤维间距，从而规避了切割过程中纤维因抽拉而倒伏、图像模糊的现象，显著提升了后续分析结果的精确度和可信度。在得到标准试样后，拍摄标准试样的短侧边的纱线内的纤维横截面图像，然后再提取纤维横截面图像中各组分纤维的特征集。根据这些特征集可以识别得到纤维横截面图像中的每根纤维的种类和横截面积。由于是通过直接观测纤维横截面图像，测定标准试样里各组分纤维种类及含量，因此在测定标准试样的面料成分含量时，不需要将纱线从面料上拆出后再进行各组纤维成分含量测定，再根据面料特征进行转换计算，从而显著提高了检测的效率。根据每根纤维的种类和横截面积可以统计得到各组分纤维的密度和总横截面积，根据各组分纤维的密度和总横截面积，可以计算得到待测面料样品中各组分纤维的质量百分含量。本技术通过直接制备面料横截面切片，并直接对面料横截面图像进行智能识别测定，有效解决了拆纱困难、纤维抽拉、图像模糊和不同组织结构面料中纤维含量计算公式难以统一的问题，从而能够提高面料成分分析的精确度和效率。