《Recycling》:Research on the Method of Near-Infrared Hyperspectral Classification of Cotton-Polyester Blended Waste Fabric Based on Deep Learning
Yi Xu,
Chang Xuan,
Zaien Ying,
Changjiang Wan,
Huifang Zhang and
Weimin Shi
编辑推荐:
尽管全球纺织工业的爆炸式增长产生了巨量的废旧纺织品,但其资源化利用率依然较低。棉涤混纺废旧织物占据了相当大的比例,对其进行精确分拣是提高回收价值并促进纺织工业循环经济的关键。传统的机械和人工分拣技术效率低下且精度不足;现有的光谱分析算法主要集中在定量成分预测上
尽管全球纺织工业的爆炸式增长产生了巨量的废旧纺织品,但其资源化利用率依然较低。棉涤混纺废旧织物占据了相当大的比例,对其进行精确分拣是提高回收价值并促进纺织工业循环经济的关键。传统的机械和人工分拣技术效率低下且精度不足;现有的光谱分析算法主要集中在定量成分预测上,在区分具有相似成分梯度的废旧织物方面能力不足。为了应对这些挑战,本文提出了一种改进的1D卷积神经网络(CNN)模型(双通道1D卷积神经网络-残差-压缩激励,Dual-1DCNN-Residual-SE),并结合了近红外(NIR)高光谱成像技术。该模型将原始光谱数据和萨维茨基-戈尔(Savitzky-Golay, SG)平滑数据作为双通道输入,引入残差连接来捕捉相似织物类别之间的细微光谱差异,并采用压缩激励(SE)注意力机制自适应地增强关键特征。与四种传统算法——K最近邻(KNN)、随机森林(RF)、支持向量机(SVM)和偏最小二乘(PLS)——进行的对比实验表明,所提出的模型实现了95.94%的分类准确率,比表现最佳的传统算法SVM(88.12%)高出7.82%。消融实验证实了每个增强模块的有效性。本研究实现了棉涤混纺废旧织物的高精度分类,为工业废旧织物的智能分拣提供了技术支持。
论文解读:基于深度学习的近红外高光谱棉涤混纺废旧织物分类方法研究
研究背景与意义
随着全球纺织工业的快速发展以及快时尚消费模式的普及,纺织品的生命周期不断缩短,导致大量废旧纺织品产生,给固体废物管理带来了巨大挑战。据统计,仅中国每年产生的废旧纺织品就超过2000万吨,但整体回收率仍低于20%,远低于《“加快废旧纺织品循环利用的实施意见”》中设定的2025年达到25%的目标。大量废旧纺织品被填埋或焚烧,造成了严重的资源浪费和环境污染。因此,实现废旧纺织品尤其是棉涤混纺织物的高效精准分拣,是提升其资源价值和促进循环经济的先决条件。
在工业实际应用中,主流的废旧纺织品分拣方法仍依赖人工经验或基于基本光学性质的机械分拣。然而,废旧纺织品(如旧衣物、床单)的标签往往模糊、磨损或完全丢失,而工业废料(如生产边角料、次品)通常缺乏统一规范的标签。人工核对标签不仅耗时费力、效率低下,而且错误率高,阻碍了废旧纺织品的大规模资源化利用。此外,不同棉涤混纺比的废旧织物决定了不同的回收路径和处理工艺,错误的分类可能导致后续工序失败。因此,开发自动化、智能化的识别技术成为必然趋势。近红外(NIR)高光谱成像技术因其能够同时捕获目标物体的空间和光谱信息,在非破坏性快速识别材料成分方面展现出巨大潜力。
关键技术方法
研究人员构建了结合NIR高光谱成像与深度学习的技术方案。实验样本为80份由浙江省质量科学研究院提供的不同混纺比的棉涤废旧织物。首先,利用HX-17S NIR高光谱相机采集样本数据,并通过黑白校正公式将数字量(DN)值转换为具有物理意义的反射率值以消除环境干扰。随后,采用萨维茨基-戈尔(SG)平滑法对光谱数据进行预处理,以抑制随机噪声并保持光谱细节。在模型构建方面,研究人员提出了一种改进的双通道一维卷积神经网络(Dual-1DCNN-Residual-SE)。该模型将原始NIR数据与SG平滑数据沿通道维度拼接作为输入,通过引入残差连接解决深度网络中的梯度消失问题,并利用压缩激励(SE)注意力机制自适应增强关键光谱特征通道的权重。
研究结果
2.1 样本划分
研究人员将80个独立样本按6:1:1的比例分层划分为训练集、验证集和测试集,共计采集了14,116个近红外高光谱数据点。数据集的划分确保了子集间类别分布的一致性,避免了样本不平衡对模型训练的影响。
2.2 分类预测模型训练
模型训练采用交叉熵损失函数和类别权重,使用Adam优化器进行参数迭代,并实施了早停策略以防止过拟合。在测试集上的混淆矩阵显示,C40(40%棉)和T100(100%涤纶)的识别率极高(分别为99.3%和99.5%),而C80(80%棉)和C100(100%棉)之间存在一定程度的相互误分类,这归因于它们在近红外区域相似的光谱吸收特性导致的特征分布重叠。
2.3 对比实验
研究人员将所提模型与KNN、RF、SVM和PLS四种基线模型进行了对比。结果显示,结合SG预处理的双通道1D卷积神经网络-残差-压缩激励模型准确率达到93.82%,较RAW输入提升了1.48%。该模型显著优于传统机器学习方法,证明了残差连接和SE注意力机制在保留浅层特征、加强深层特征复用以及增强关键特征波段响应方面的有效性。
2.4 注意力机制对比实验
为了验证SE模块的优越性,研究人员将其与ECA轻量级通道注意力和CBAM卷积块注意力进行了对比。结果表明,引入任何注意力机制均能显著提升性能,其中SE变体取得了最高的95.94%准确率和95.71%的F1分数,证明其在加权增强关键光谱通道方面最为适合。
2.5 消融实验
通过控制变量法评估各模块的贡献。完整的双通道1D卷积神经网络-残差-压缩激励模型准确率为95.94%,较单通道RAW输入提高3.6%,较单通道SG输入提高2.12%。移除残差模块和注意力模块分别导致准确率下降5.25%和一定的幅度,证实了双通道输入策略及残差、注意力模块对性能提升的显著贡献。
2.6 t-SNE可视化与降维分析
利用t分布随机邻域嵌入(t-SNE)算法对高维光谱数据进行非线性降维可视化。结果显示,C100与C80簇存在部分重叠,T100与C40簇也有轻微交集。这种聚类重叠反映了类别间的固有光谱相似性,解释了混淆矩阵中的误分类现象。纯棉由于含有大量极性羟基(-OH),在1400至1500纳米波段表现出强烈的近红外吸收和低反射率,而纯涤纶则相反,这种分子结构的差异构成了光谱分类的物理基础。
讨论与结论总结
该研究针对工业棉涤混纺废旧织物的分拣与回收,解决了传统分拣效率低、相似混纺比难以区分以及现有模型特征提取能力有限的难题。与以往侧重于定量成分预测的研究不同,本研究实现了对五种典型含量梯度混纺织物的高精度分类识别,更符合工业实际需求。
通过将近红外高光谱成像技术与深度学习相结合,研究人员提出的双通道1D卷积神经网络-残差-压缩激励模型在分类准确率上达到了95.94%,显著超越了传统的机器学习算法。研究表明,SE注意力机制在同类机制中表现最优;双通道输入、残差和注意力模块均对模型性能有实质性贡献;t-SNE可视化阐明了相似混纺比类别误分类的内在原因。
未来,研究人员计划将该技术集成到工业废旧纺织品智能分拣流水线中,实现实时分类输出。同时,将进一步扩大数据集规模,探索利用生成对抗网络(GAN)扩充光谱样本,并将模型扩展至其他常见混纺纺织材料的分类识别,以完善废旧纺织品资源化利用的技术体系。