基于改进U-Net++和近红外光谱技术的羊毛含量快速定性分析方法研究

摘要：

羊毛制品因其柔软、保暖性好等优点广受欢迎,羊毛含量是衡量这类产品质量的重要依据.目前市场上羊毛制品质量参差不齐,传统检测方法具有破坏性大、主观性强等缺点,已无法满足实时快速评估目标羊毛制品质量情况的需求.近红外光谱技术是一种无需破坏样品结构、可模型封装操作的快速测量方法.将近红外光谱技术和深度学习技术融合,提出了一种基于注意力机制和U-Net++网络的羊毛含量快速定性分析方法.在数据准备方面,使用手持便携式光谱仪采集羊毛制品样本的光谱数据,其波段范围为908.1～1676.2 nm,并根据其含量的不同对原始样本进行了等级划分.为减少光谱采集方式对建模数据集的影响,针对同一样本在距探头5,6,8,9和19 mm 5种高度,分别采集了5次光谱数据,并使用马氏距离法剔除异常样本,最终共5125组光谱数据用于建模.在模型选择方面,U-Net++网络可通过下采样、跳跃连接和上采样等环节实现对光谱数据的特征提取,并进一步对样本进行分类预测.然而,该网络使用了大量密集的跳跃连接,易产生模型参数冗余、低层特征被重复使用等问题.鉴于此,在原始网络的基础上引入了注意力门控模块,可以更有效地提取特征信息,提高预测精度.建模过程中,将羊毛制品样本90％的光谱数据用于训练和验证,10％的数据用于测试.实验结果表明,基于U-Net++网络的预测模型在独立测试集上的准确率为93.59％,召回率为93.53％,精确率为94.24％,其性能超过了多种传统分类模型.同时,与U-Net,At-tention U-Net等其他U-Net系列网络模型相比,所提出的分类模型的各项评价指标也高于上述网络模型,验证了跳跃连接和注意力门控模块的效果.基于近红外光谱技术,构建了Attention U-Net++模型,为羊毛含量快速无损检测提供了一种新思路,具有一定的理论和实际意义.

关键词：近红外光谱、深度学习、羊毛制品、U-Net++

所属期刊栏目：43

分类号：TS137(纺织工业、染整工业)

资助基金：国家自然科学基金;国家自然科学基金

在线出版日期：2023-02-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：303-309