魯么塵

深圳和而泰智能控制股份有限公司 廣東 深圳 518132

前言

目前智能家電中關(guān)于智能衣物處理方面的設(shè)備包括且不限于智能洗衣機(jī)、智能干衣機(jī)、智能衣柜、智能衣架等。這些智能家電一般都有IoT的功能，在工作時(shí)能夠?qū)?shí)時(shí)控制的情況通過網(wǎng)絡(luò)和計(jì)算云進(jìn)行數(shù)據(jù)交換，在云中的運(yùn)算完成后，把結(jié)果反饋給用戶終端。本文所介紹的光譜分析的過程就是幫助這些智能設(shè)備在接收衣物的第一時(shí)間收集到衣物的布質(zhì)信息，從而幫助智能設(shè)備對后續(xù)如何針對這些衣物做相關(guān)的算法動(dòng)作而提供指導(dǎo)。例如，干衣機(jī)在從光譜分析中得出所要處理的衣物大多為棉類衣物時(shí)或者大多為麻類衣物時(shí)所需要進(jìn)行的處理流程則會不同，而依據(jù)則是光譜分析過程提供的數(shù)據(jù)支持。

在市場上目前對衣物進(jìn)行分析的主要技術(shù)有RFID識別技術(shù)、AI攝像頭識別技術(shù)、光譜分析技術(shù)、衣服邊緣檢測技術(shù)、吸水率識別技術(shù)等[1]。本文作者認(rèn)為目前在智能家電中使用的衣物材質(zhì)識別技術(shù)中光譜識別技術(shù)相對識別率高，成本低廉有推廣的優(yōu)勢。

本文將會對光譜識別技術(shù)在布質(zhì)識別中的技術(shù)應(yīng)用做出介紹和分析，同時(shí)，對于在布質(zhì)識別過程中算法的難點(diǎn)進(jìn)行分析，并且提出解決方法。

1 光譜布質(zhì)識別技術(shù)

光譜識別技術(shù)一般來說是一種利用被查被測物體受到自然光或者特定光源照射并且分光后，被色散分離成單色光，通過成像系統(tǒng)，投射在探測器或傳感器上成為按照波長、頻率依次排列為不同的光譜圖案，之后這些光譜圖案被識別出特征值的技術(shù)。

針對不同的布料，在受到光源照射時(shí)也會產(chǎn)生不同的光譜反應(yīng)，但是，一般我們不能使用可見光對布質(zhì)材料進(jìn)行光譜分析，因?yàn)榭梢姽鈱艿讲剂项伾旧淼暮艽蟾蓴_。所以布質(zhì)識別的光譜識別技術(shù)我們主要采用紅外光譜的識別方法，因?yàn)榇罅坎剂系闹饕庾V特性敏感波長區(qū)域均是波長較長的紅外光波或者近紅外光波。其中，合成纖維一般是紅外光譜，如棉綸、滌綸、丙綸、腈綸。天然纖維一般是近紅外光譜，如棉、麻、粘膠、莫代爾、羊毛、羊絨、絲綢。其中近紅外區(qū)一般是指（0.75～2.5um），中紅外區(qū)（2.5～25um），遠(yuǎn)紅外區(qū)（25～1000um）順便需要提一下的是，水分對于布質(zhì)光譜分析時(shí)候的影響會比較大，因其也會釋放大量的紅外反饋光譜，所以在做光譜識別算法的時(shí)候，需要對其中的水分進(jìn)行運(yùn)算處理。

我們在對布質(zhì)材料進(jìn)行光譜采樣過程中使用紅外光譜技術(shù)，紅外光譜識別技術(shù)主要是利用纖維分子中不同基團(tuán)產(chǎn)生的光譜在吸收峰位置上有所不同，而且其光譜特征值還會隨著布質(zhì)的成分和結(jié)構(gòu)而變化[2]。而我們就是利用這種變化來做相關(guān)的布質(zhì)分析。

其實(shí)看的是不同樣品的光譜吸收峰的位置變化，來對樣品成分進(jìn)行定性分析。除了上文中說到的這種方法對于溫度濕度都比較敏感之外，還需要一定量的樣品進(jìn)行數(shù)據(jù)采集，從而進(jìn)行建模分析，構(gòu)建算法。

2 家電產(chǎn)品應(yīng)用識別的邏輯

在拿到了從傳感器端收集的相關(guān)布質(zhì)信息之后，不需要利用IoT的云端計(jì)算，直接在收集信息端進(jìn)行邊緣計(jì)算既可以得出布質(zhì)材料的分析結(jié)果，響應(yīng)時(shí)間遠(yuǎn)小于1秒。之后邊緣計(jì)算端將計(jì)算結(jié)果反饋給智能家電的控制終端，在本地的數(shù)據(jù)庫進(jìn)行分析運(yùn)算，同時(shí)也可以將信息分享至云端，為后續(xù)提升AI的效果再做分析的儲備數(shù)據(jù)用。分析完成后，智能家電端則按照運(yùn)算結(jié)果選擇洗滌、烘干等針對不同混合纖維的處理方案。例如在水量、洗滌劑、溫度控制、處理速度等方面進(jìn)行參數(shù)設(shè)計(jì)和調(diào)整，以便于達(dá)到作用效果最佳的目的。

3 布質(zhì)識別產(chǎn)品算法路徑

根據(jù)上述的理論說明，可以知道，在進(jìn)行單一材料布質(zhì)設(shè)計(jì)識別時(shí)會涉及針對不同顏色布質(zhì)的識別，這里因?yàn)轭伾煌鸬墓庾V效應(yīng)不同，在實(shí)際的產(chǎn)品設(shè)計(jì)過程中，則需要在算法中將因?yàn)轭伾煌a(chǎn)生的“歧義”光譜消除掉，這樣才能避免在邊緣計(jì)算過程中產(chǎn)生的布質(zhì)誤判情況的發(fā)生，那么如何消除呢？本文下面提供一種直接的方法來消除。

算法需要通過對不同顏色“學(xué)習(xí)”來消除顏色帶來的判斷影響。這種學(xué)習(xí)邏輯，現(xiàn)在主流的技術(shù)建模計(jì)算方式都可以達(dá)到（補(bǔ)充）關(guān)鍵是我們?nèi)绾稳プ?，同這種學(xué)習(xí)邏輯相匹配，從而解決這個(gè)問題。本文推薦的做法是，準(zhǔn)備各種不同顏色的布質(zhì)原材料，每種材料使用傳感探頭進(jìn)行數(shù)據(jù)采樣測量，每個(gè)不同顏色的布料采樣要多次，在采樣過程中要注意控制單一變量，同樣的情況針對不同的環(huán)境、布質(zhì)上面的污漬都需要做控制變量法的分析和采集過程。因?yàn)槠脑颍疚闹袃H對一種情況進(jìn)行分析。

在測試分析過程中，控制單一變量，分析兩種情況，細(xì)節(jié)如下：

（1）布質(zhì)與污漬的組合類型以及純布質(zhì)類型的混合識別紅麻-紅酒，白絲；識別，橘紅麻-紅酒，白絲。

（2）污漬種類的識別，不考慮布質(zhì)類型，紅麻-紅酒，白絲；識別，紅酒，純凈。

本次我們采用數(shù)據(jù)樣本數(shù)量為9000，數(shù)據(jù)維度是61，對應(yīng)光譜波長范圍750～1050nm，采樣間隔為5nm，進(jìn)行實(shí)驗(yàn)驗(yàn)證。數(shù)據(jù)樣本類型包括含污漬的布質(zhì)與純凈布質(zhì)，其中污漬主要是血，泥土，紅酒，咖啡共4種，而布質(zhì)主要是麻，棉，尼龍，羊毛，絲，混合，滌綸等共7種類型。

布質(zhì)與污漬的組合類型以及純布質(zhì)類型的混合識別：

混合類型種類總共有90種，每種類型的樣本數(shù)量是100，對應(yīng)10個(gè)不同的位置有放回的方式采集10次，數(shù)據(jù)可視化如下不同類型的樣本，用不同顏色繪制。從圖可以直觀看到不同類型具有較好的層次區(qū)分性。如圖1所示。

污漬種類的識別，不考慮布質(zhì)類型。污漬類型主要是血，泥土，紅酒，咖啡共4種，另外增加純凈類（不含污跡），共5種類型。不考慮布質(zhì)類型，只考慮污漬類型，根據(jù)污漬的類型進(jìn)行劃分，另外將純布料類型作為純凈類別，于是污漬種類的數(shù)量分布如圖2所示。

圖1 污漬布質(zhì)組合光譜圖

圖2 純污漬光譜圖

整體上，從數(shù)據(jù)來看，整體的識別度在90%以上。實(shí)驗(yàn)結(jié)果說明此種方案在光譜布質(zhì)識別方面有實(shí)用價(jià)值且準(zhǔn)確度高。