关键词:
纺织纤维识别
信道状态信息
小波包分解
卷积神经网络
Wi-Fi信号
摘要:
衣食住行,衣是首要。随着我国从纺织大国走向纺织强国的转变,人们也逐渐提高了对纺织品纤维材料和其质量的关注。其中,对纺织纤维种类的识别和品质把控尤为重要。纺织纤维识别是一项可以帮助鉴别目标纺织纤维种类的技术。目前的方法主要依赖于昂贵的检测仪器、专业的研究人员和复杂的处理技术。由于纺织纤维的数量庞大,研究人员难以使用一种稳定、快速的方法来进行鉴定。当前,基于Wi-Fi信道状态信息(Channel State Information,CSI)的纺织纤维识别技术成为该领域的新方向。将无线通信相关技术和深度学习方法应用于织物的纤维识别中,克服了操作复杂、专业人员依赖性强、检测仪器昂贵的问题。此外,这种方法具有较高的感知灵敏度与识别准确度,能够提高纤维检测准确性和工作效率,成为纺织纤维识别方法的重要技术创新方向。本文以Wi-Fi的信道状态信息和深度学习方法为基础,开展了一系列的纺织纤维识别方法研究实验,接下来对具体的研究内容进行介绍:
(1)针对当前纺织领域难以获取到开源CSI数据集的问题,本研究对14种实际生活场景中常见的纺织纤维进行CSI数据的采集,构建了三种不同采集环境下的样本纤维CSI数据集,总计38700条CSI数据。样本纤维种类包括但不限于维纶、羊绒、天丝、大麻纤维、竹炭纤维、原棉纤维、丙纶、阻燃涤纶、彩棉纤维、芳纶、腈纶、细旦涤纶、棉、粘胶。此外,由于Wi-Fi的信号特征会被环境噪声和多径传播所干扰,这会对特征提取和模型识别产生影响。为了消除CSI的固有噪声,本文针对这一问题设计并搭建了空间内独立的CSI数据采集环境。该环境能够有效隔绝外部环境中的电磁噪声和多径效应,从而提高了数据集的质量,确保原始数据的有效性,并在验证数据集上进行性能评估测试。
(2)考虑到纺织纤维CSI数据中可用于机器学习方法识别的纤维特征具有采集的Wi-Fi信号物理特征的特点,本文在构建的三个纺织纤维样本CSI数据集上提取了信号的时频特征,构建了基于Wi-Fi信号幅度、相位特征的纺织纤维识别研究方法。首先通过基于中位数的离群值检测、小波变换、相位校正等方法对原始CSI数据进行去噪处理,然后对幅度和相位等特征进行提取,构建了基于多输入多输出-正交频分复用(Multiple Input Multiple Output-Orthogonal Frequency Division Multiplexing,MIMO-OFDM)技术的特征融合矩阵,并进行格式转换,最后将该矩阵输入至卷积神经网络(Convolutional Neural Networks,CNN)中进行识别,并通过实验验证了有效性,该方法能够以超过91.13%的平均准确率进行有效的纺织纤维识别。
(3)基于信号频谱的小波包信号具有比Wi-Fi信号幅值和相位信息更丰富的自然特征,因此本文继续构建了基于小波包信号分解特征的纺织纤维识别方法。首先通过巴特沃斯低通滤波技术进行数据预处理,然后提取小波包信号的分解特征,包括系数统计特征和能量占比特征,构建了基于MIMO-OFDM技术的特征融合矩阵,采用主成分分析(Principal Component Analysis,PCA)方法进行数据降维,最后将其输入至胶囊网络进行纺织纤维识别。为进一步提升性能,引入了多头自注意力(Multiple Head Self Attention,MHSA)机制层,对输入特征矩阵的时空特征进行有偏向的提取,并针对胶囊网络中特征提取不充分的问题进行了优化,提升了纤维识别的准确率。本研究通过大量的特征消融实验和模型对比实验证明了低成本的商品Wi-Fi信号能够有效进行纺织纤维种类的识别,并验证了其准确性和鲁棒性。该方法能够以高于93.8%的平均准确率分辨出棉和羊绒等14种非常相似的纺织纤维。与现有的纺织纤维识别方法相比,具有更大的技术优势和更加广阔的实际应用前景。