一种纺织品材料太赫兹光谱定量检测方法

本发明涉及检测技术领域，尤其涉及一种纺织品材料太赫兹光谱定量检测方法。

背景技术：

随着我国纺织业的发展，混纺品种以及纺织品花色品种日益增多。不同纺织品对其纺织材料的种类和含量都做出了严格规定，特别是在服装产业中，违规纺织材料会对人体造成不同程度的损害，尤其是近几年中小学生校服因为使用的纺织材料含量不符合标准而导致的质量问题屡有发生，因此，对校服质量进行严格检测，以及对纺织材料进行定量系统鉴别显得尤为重要，当前对纺织品的检测往往需要多种方法联合使用，实验过程复杂，过于依赖专业实验人员，各种方法间相互影响，检测结果的稳定性和准确率往往不高，而且实验耗时长、成本高，经常会用到有毒有污染的化学溶剂，一旦处理不当就会给环境和人类健康带来危害,不利于应用推广。

技术实现要素：

本发明的目的在于提供一种纺织品材料太赫兹光谱定量检测方法，旨在解决现有技术中的纺织品检验方法工序复杂及准确率不高的技术问题。

为实现上述目的，本发明采用的一种纺织品材料太赫兹光谱定量检测方法，包括下列步骤：

使用透射式太赫兹时域光谱系统获得纺织品光谱数据集；

构建定量分析模型；

将所述纺织品光谱数据集输入所述定量分析模型进行训练优化；

选择需判断的纺织品光谱数据集输入优化后的所述定量分析模型，输出分析结果。

可选的，所述透射式太赫兹时域光谱系统由飞秒激光器、thz波产生装置、thz波探测装置和时间延迟控制系统组成，所述飞秒激光器、thz波产生装置、thz波探测装置和时间延迟控制系统依次设置。

可选的，在使用透射式太赫兹时域光谱系统获得纺织品光谱数据集的过程中，所述飞秒激光器产生激光脉冲，通过所述thz波产生装置激发太赫兹波，所述太赫兹波在检测样品上聚焦，携带检测样品信息的所述太赫兹波经过所述thz波探测装置采集后输入到计算机，获得所述纺织品光谱数据集。

可选的，在构建定量分析模型的过程中，从所述纺织品光谱数据集中随机选取2/3的数据作为校正集用于模型的建立，剩余的1/3数据作为预测集用于检验模型。

可选的，所述定量分析模型为支持向量机在回归问题上的应用模型。

可选的，在将所述纺织品光谱数据集输入所述定量分析模型进行训练优化的过程中，使用改进布谷鸟算法优化支持向量回归。

本发明的一种纺织品材料太赫兹光谱定量检测方法，利用太赫兹时域光谱技术对纺织品材料棉和粘纤含量进行定量分析,实现对多组分混合物纺织品中某成分的含量检测，采用布谷鸟搜索算法对所述定量分析模型进行优化，得到较好的定量检测结果，接着引入线性自适应步长，对布谷鸟搜索算法进行改进，提高布谷鸟搜索算法的收敛性和寻优能力，获得最优解，进一步提高了其定量检测精度，解决了现有技术中的纺织品检验方法工序复杂及准确率不高的技术问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的一种纺织品材料太赫兹光谱定量检测方法的流程示意图。

图2是本发明的透射式太赫兹时域光谱系统的系统原理图。

图3是支持向量回归示意图。

图4是本发明的定量分析模型优化算法流程图。

图5是本发明具体实施例的六种不同含量纺织品太赫兹时域光谱。

图6是本发明具体实施例的六种不同含量纺织品吸光度图。

图7是本发明具体实施例的cs-svr预测结果。

图8是本发明具体实施例的ics-svr预测结果。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

请参阅图1，本发明提出了一种纺织品材料太赫兹光谱定量检测方法，包括下列步骤：

s1:使用透射式太赫兹时域光谱系统获得纺织品光谱数据集；

s2:构建定量分析模型；

s3:将所述纺织品光谱数据集输入所述定量分析模型进行训练优化；

s4:选择需判断的纺织品光谱数据集输入优化后的所述定量分析模型，输出分析结果。

可选的，所述透射式太赫兹时域光谱系统由飞秒激光器、thz波产生装置、thz波探测装置和时间延迟控制系统组成，所述飞秒激光器、thz波产生装置、thz波探测装置和时间延迟控制系统依次设置。

可选的，在使用透射式太赫兹时域光谱系统获得纺织品光谱数据集的过程中，所述飞秒激光器产生激光脉冲，通过所述thz波产生装置激发太赫兹波，所述太赫兹波在检测样品上聚焦，携带检测样品信息的所述太赫兹波经过所述thz波探测装置采集后输入到计算机，获得所述纺织品光谱数据集。

可选的，在构建定量分析模型的过程中，从所述纺织品光谱数据集中随机选取2/3的数据作为校正集用于模型的建立，剩余的1/3数据作为预测集用于检验模型。

可选的，所述定量分析模型为支持向量机在回归问题上的应用模型。

可选的，在将所述纺织品光谱数据集输入所述定量分析模型进行训练优化的过程中，使用改进布谷鸟算法优化支持向量回归。

具体的，本发明所获得的实验数据都是透射式太赫兹时域光谱系统测得的，整个系统主要由飞秒激光器、thz波产生装置、thz波探测装置和时间延迟控制系统组成。该系统的原理图如图2所示，首先，激光器产生波长为780nm的飞秒激光脉冲，飞秒激光脉冲经过1/2波片(hwp)后被分束棱镜(cbs)分成了两束光：一路是探测光，一路是泵浦光。探测脉冲根据电光采样原理探测太赫兹波的电场强度，用来对太赫兹探测装置进行驱动；泵浦光入射在光导天线上，从而激发产生太赫兹波，随后，太赫兹波在实验检测样品上聚焦，携带了所测样本信息的太赫兹波聚焦在znte上，最终，信号通过锁相放大器后利用计算机进行数据采集，最后将所采集到的微弱信号经锁相放大器放大后输入到计算机。太赫兹软件检测系统是通过labview控制的，通过在界面设置相关参数并进行正确的检测操作，就能得到所测样本的太赫兹波谱信息。

进一步的，以下以英文名称指代相应术语，布谷鸟算法(cs)，支持向量机在回归问题上的应用模型(svr)，分别将布谷鸟算法和改进的布谷鸟算法(ics)与支持向量回归相结合建立定量检测模型cs-svr、ics-svr；为了能更好地验证建立ics-svr模型的性能，本发明首先使用cs-svr模型对不同含量的纺织品光谱数据进行建模并分别记录定量分析结果，然后与ics-svr模型得到的结果进行对比分析。建模时，从每种含量配比纺织品数据中随机选取2/3的数据作为校正集用于模型的建立，剩余的1/3作为预测集用于检验模型(为减小实验误差，按实际情况对数据取平均值)。

对于一般的回归问题，给定训练样本d＝{(x1,y1),(x2,y2),...,(xn,yn)}，yi∈r,希望学习到一个f(x)使得，其与y尽可能的接近，ω，b是待确定的参数。在这个模型中，只有当f(x)与y完全相同时，损失才为零，而支持向量回归假设能接收的f(x)与y之间最多有ε的偏差，当且仅当f(x)与y的差别绝对值大于ε时，才计算损失，此时相当于以f(x)为中心，构建一个宽度为2ε的间隔带，若训练样本落入此间隔带，则认为是被预测正确的。支持向量回归示意图如图3所示，虚线表示出ε间隔带，落入其中的样本不计算损失。

svr是在svm的基础上引入了损失函数的概念，ε-不敏感损失函数如式(1)所示：

其中，ε为不敏感系数，用来控制拟合精度。

当线性回归函数f(x)＝ωx+b拟合数据{xi，yi}，i＝1,2,…,m，xi∈r^d，yi∈r时，假设所有训练数据的拟合误差精度为ε，即：

根据结构风险最小化原则，f(x)应使得最小，若考虑拟合误差的情况，则可引入了松弛因子式(2)变为：

优化目标函数为：

其中c>0为平衡因子。

因此，标准ε不敏感svr为：

式(5)所示的二次规划问题求解过程中，引入拉格朗日乘子将其转化为对偶问题，可得拉格朗日函数为：

对ω，b，ξ，求偏导，令偏导数为零，可得

把式(7)带入式(4)，即可求得svr的对偶优化问题

求解得：

上边的过程需要满足kkt条件，即

最后，可得svr的解为：

支持向量回归则是通过引入核函数来替代高维空间中的内积运算，来解决一般的非线性拟合问题，有效地克服了传统回归拟合方法的缺陷，在校正集和预测集确定的情况下支持向量回归模型预测结果稳定性较高。

进一步可选的，布谷鸟搜索算法基于lévy飞行，其步长满足lévy分布：

其中，s：步长，μ：最小步长，γ：数量级参数，l(s)：步长为s时的概率。当s→∞时：

根据mantegna法则，步长s：

其中，β：步长参数，

其中，г：标准的gamma函数，此分布在|s|≥|s0|时成立，s0：步长最小值，通常为0.1～1。

但是，cs算法随机产生步长s，时大时小，无法根据搜索过程自适应调整步长。若s值过大，收敛速度提高，但搜索精度降低，可能错过一些区域，得不到全局最优解，甚至会出现震荡现象；若s值过小，虽能提高精度，但收敛速度变慢，易陷入局部寻优。

本发明运用一种自适应步长的改进布谷鸟算法对svr模型进行优化，该算法的原理是将三角函数中的sin函数取绝对值用作缩放因子，可实现动态地调整算法步长，同样体现了步长的自适应性，改进算法如下：

sk＝smin+dk(smax-smin)(17)

上面两个式子中，dk代表第k次时的步长，dmax代表最优位置与剩余所有鸟巢位置的最大距离；nk代表第k个鸟巢位置，nbest代表当前鸟巢的最优解；smin代表最小步长取值；而smax则代表最大步长取值。

请参阅图4，图为所述定量分析模型采用cs算法优化svr模型的算法流程。

请参阅图5至图8，本发明还提供了一种具体实施例：

选取制作中小学生校服常用的棉和粘纤纺织品材料制作6种不同比例含量的混合物实验样品：用棉和粘纤两种纺织物材料，按照5片棉纺织品制作棉含量为100％样品的方法制作样品，则4片棉和1片粘纤制作成的样品为棉含量80％，且粘纤放置在棉布的中间，以此类推得到棉的含量从0-100％，片数少的纺织材料夹在片数多的纺织材料中，如表1所示。两种纺织品布料均由国家橡胶及橡胶制品质量监督检验中心(广西)提供，符合国家生产标准，因此选用做本实验样品。

表1不同含量的纺织品样片制备

实验前先把布料用熨斗熨烫平整，然后再将其放在yb-1a型真空恒温干燥箱中，在50摄氏度下干燥一至两小时，以减小水分对thz波的影响。实验采用压片法制作样品，首先将纺织品剪成圆形片状，半径为6mm左右，样品以5片相同纺织品为100％含量(5片棉纺织品制作的样品为棉含量100％，4片棉和1片粘纤制作成的样品为棉含量80％，且粘纤放置在棉布的中间，以此类推得到棉的含量从0-100％)，然后用电子天平称取一定量(100mg左右)的聚乙烯粉末，最后在专用压片模具中将等量的聚乙烯粉末平铺在纺织品的底部和顶部，放在压片机下压成薄片。制作成功的样片为表面光滑、厚度均匀的圆形薄片，厚度为1mm左右，半径为6.5mm。实验分别制备了6种不同含量的棉和粘纤混合纺织品的实验样片，每种材料制作36个样品。

用所述透射式太赫兹时域光谱系统对6种不同含量的棉和粘纤纺织品混合物样品进行测量，每个样品扫描6次，得到的数据取平均值以降低随机误差的影响，整理后分别得到空气和混合物的时域光谱信号。时域光谱信号可通过快速傅里叶变换转变为相对应的频域信号，eref(ω)和esam(ω)。为了避免样品的厚度对光谱分析产生影响，采用相对量，无量纲的吸光度来处理实验数据。吸光度表示光波被材料吸收的程度，计算公式为：

其中ω是太赫兹波振动的角频率。

6种不同含量纺织品吸光度图如图6所示，由图可知：在1.05-1.5thz频段内，6种含有棉和粘纤不同含量纺织品的吸光度光谱都存在三个左右明显的吸收峰。6种不同含量的棉与粘纤的混合物样本分别在1.16thz、1.32thz和1.49thz附近存在较为明显的吸收峰。各光谱曲线变化趋势大致相同，但在不同的吸收峰位置，吸收峰幅值与含量变化呈非线性关系。因此，利用太赫兹吸收光谱来预测纺织品中棉(或者粘纤)的含量是可行的。

定量分析模型以相关系数(r)和均方根误差(rmse)作为模型性能的评价指标，相关系数衡量了样本校正集与预测集的相关程度，均方根误差来评价定量分析模型的优劣和预测能力。计算公式如下：

其中，n为样本数，yi表示第i个样本的参考值，是第i个样本的预测值。是n个样本参考值的平均值。

进一步的，获得定量检测结果及结论：

针对将布谷鸟算法和改进的布谷鸟算法与支持向量回归相结合建立定量检测模型cs-svr、ics-svr，对棉与粘纤混合物中棉的含量进行预测，得到的预测结果分别如图7、8所示，在每个图中，上面的图为训练集的回归结果，下面的图为预测集的回归结果。

可以看出，cs-svr和ics-svr两种模型的训练集的预测结果相比于预测集的预测结果明显更加接近参考值。ics-svr模型的预测集对混合物中棉含量的预测结果比cs-svr模型更接近参考值。

对两种定量分析模型的评价如表2所示：

表2定量模型评价指标

从表2可看出，ics-svr预测集相关系数和均方根误差分别0.9780与7.1313％，cs-svr预测集相关系数为0.9705与8.2404％，通过对比可以看出，ics-svr对混合物中棉含量的预测结果比cs-svr更优，说明改进的布谷鸟算法用于定量模型的建模效果显著,切实提高了定量模型的检测精度。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。