基于深度学习的毛/粘混纺织物混纺比检测技术

针对常规织物混纺比检测方法工作效率低的问题,提出一种基于深度学习技术的毛/粘混纺织物混纺比检测方法。以单阶段目标检测算法(YOLOv5)为基础,采集羊毛纤维和粘胶纤维的光学显微镜图像构建数据集,使用CSPDarknet53网络(Cross Stage Partial Network)从数据集中提取纤维特征,通过特征金字塔(FPN)和路径聚合网络(PAN)结合的方式完成不同层次特征的融合;在主干网络引入卷积注意力模块(CBAM)以加强局部特征的提取能力。训练后的YOLOv5模型平均精度均值达0.93,可实现毛/粘混纺织物混纺比的自动检测。采用光学显微镜法和化学溶解法对模型的可靠性进行校验,差异在2%以内,说明该方法在毛/粘混纺织物混纺比快速检测领域具有良好的应用前景。

多组份纤维混纺织物纤维定量分析准确性的探讨与研究

多种组份的纤维混纺织物定量分析是纺织品检测中最为繁锁而又重要的内容。选择涤纶/毛/腈纶/粘胶/棉/锦纶六种组份的混纺织物为研究对象,选用合适的化学溶剂,设计了三种试验方案,按标准AATCC20A-2013定量分析方法进行测试与分析比较。试验结果表明:涤纶/毛/腈纶/粘胶/棉/锦纶六组份混纺织物定量分析选用的较为合理的化学溶剂为次氯酸钠溶液,20%的盐酸,N,N-二甲基甲酰胺溶液,甲酸氯化锌溶液,70%的硫酸。在测试中纤维溶解的顺序是首先溶解羊毛、然后再依次是锦纶、腈纶、粘胶、棉。这样所得的测试结果与实际纤维含量值最为接近,测试结果准确性高与重现性好。这对多组份纤维混纺织物纤维定量分析的准确性提供了一定的借鉴作用。