[发明专利]一种基于自动波段选择的纺织纤维成分定性方法

说明书

本发明公开了一种基于自动波段选择的纺织纤维成分定性方法，结合深度神经网路特征提取技术，设计了一种近红外光谱自动波段选择和定性分析模型用于纺织品纤维成分定性分析。本发明提出的基于类别激活信息的自动波段选择与定性模型，能够实现纺织品纤维高效定性分析过程。本发明中，波段选择过程是自适应的，基于近红外光谱数据特征进行自发性的选择波段区间，进一步完成定性分析。整个过程包含光谱数据预处理部分、波段选择部分、定性分类模型三个部分。其中波段选择部分与定性分类模型部分相互关联，在定性模型构建的过程中完成波段选择，通过端到端分析过程得到最终的定性结果，人工干预少、波段选择过程更为有效、定性分析准确率高。

技术领域

本发明涉及近红外纺织品纤维成分分析技术领域，特别是涉及一 种基于自动波段选择的定性模型用于近红外纺织品纤维成分定性分析。

背景技术

纺织纤维成分定性分析是纺织纤维检测中一个重要任务，用于识 别鉴定纺织品纤维成分组别，因此也是质检单位进行纺织品质量测定 中重要任务。传统化学法和物理法测定成分时，耗时高、成本昂贵， 并且对被测物有损，而近红外光谱分析技术具有低成本、高效率、安 全环保、被测物无损等众多优点，因此作为一种新兴技术用于纺织品 纤维定性成分。

近红外光谱分析中分为两个部分：定性分析和定量分析。其中定 性分析识别成分组别，定量分析需要给出成分的含量。定性分析可以 作为定量分析任务的辅助，因为定性问题的潜在过程是挖掘不同物质 的吸收光谱序列数据之间的区别特征，这可以为定量分析任务提供有 效的光谱数据特征提取过程，以此进一步完成成分含量的测定。

基于近红外光谱的纺织品纤维定性分析方法由三个步骤组成：1) 光谱数据预处理；2)特征选择(波长选择)；3)定性分类。其中， 光谱数据预处理部分主要目的在于对数据降噪；特征选择的主要目是 对原始数据维度进行压缩和降维的过程。对光谱数据而言，能够反应 样品特性的数据特征通常位于特定的光谱序列区域之中，因此波长选 择是主要的特征选择方法；经过预处理和波长选择后，最后通过分类 模型实现光谱定性过程。

发明内容

本发明的目的是为了克服现有近红外纺织纤维成分定性方法中的 缺陷和不足，结合深度学习方法技术，提供了一种基于自动波段选择 的纺织纤维成分定性方法。

波段选择通过对光谱区域的进行筛选，过滤样品数据分析无关区 域，保留反映样品特征的光谱区。相比基于全谱信息直接进行分析， 通过波长选择过滤光谱中的冗余和噪声，简化数据维度，降低后续分 析任务的难度和复杂度。因此在近红外光谱分析中是十分重要的一步, 在相关技术中，传统的波段选择算法包括：基于滑动窗口、基于统计 方法、基于回归分析法、和遗传算法等方法。

本发明基于类激活信息的来完成波段选择，波段选择的同时进行 成分定性分析，与传统纺织纤维成分定性方法相比，波段选择过程是 自适应的，是基于纺织品近红外光谱数据特征自发性的选择波段区间， 因此人工干预少、波段选择结果有效、定性分析准确率高。本方法包 含光谱数据预处理部分、波段选择部分、定性分类模型三个部分。其 中波段选择部分与定性分类模型部分相互关联，在定性模型构建的过 程中完成波段选择，无需人工干预，并且利用深度神经网络的强大的 特征提取能力得到的波段选取结果十分有效，通过端到端过程得到最 终的定性结果。

为达到上述目的，本发明采用的方案如下：利用类别激活图信息 识别原始波段上的显著性特征区间，作为波段选择的标准将类别激活 图中超过阈值部分对应的波段区间作为选择区间。卷积网络所提取的 特征进行分类完成定性分析，同时也用于类别激活信息图的计算。通 过端到端的模型训练方式，采用多标签分类损失函数对基于卷积网络 的特征提取和分类模块中的参数进行学习，实现自动波段选择过程， 并最终得到定性分析模型用于测试。该基于自动波段选择的纺织纤维 成分定性方法，能够有效检测不同组成成分的纺织品。方案细节具体 包括以下步骤：

S1：纺织品近红外光谱数据集的构建与预处理；