楊劍平，孟 旭，徐蓉蓉，陶 晨

(1.紹興文理學院 紡織服裝學院, 浙江 紹興 312000； 2.浙江省清潔染整技術(shù)研究重點實驗室, 浙江 紹興 312000)

人們很早就開始關(guān)注“絲鳴”現(xiàn)象，也發(fā)明了可將這一特性轉(zhuǎn)移到其他纖維材料上的化學助劑[1-2]，但針對織物摩擦聲音識別的研究卻不多。相關(guān)研究總體上使用了二類方法，第一類是將摩擦聲波視為一種機械運動，通過振動方程描述該運動形式，在此基礎(chǔ)上可提取平均滑移速率[3]作為聲波的指標之一，也可利用振動方程來推導發(fā)聲過程[4]。然而機械振動方程對摩擦聲波做的簡化較多，導致聲波中大量信息丟失。相比較而言，以傅里葉頻譜為工具的第二類方法可用來傳達摩擦聲波中更多信息[5]。有學者在快速傅里葉變換的基礎(chǔ)上構(gòu)建摩擦聲波特征參數(shù)，通過回歸織物摩擦聲音與力學性能之間的關(guān)系，推測織物耐磨性、剛?cè)嵝缘攘W性能參數(shù)[6]，或者由力學性能來推斷織物的摩擦聲波特征[7]。另外，還可利用從傅里葉變換中取得的特征參數(shù)研究不同纖維種類[8]、截面形態(tài)[9]、織物結(jié)構(gòu)[10]及摩擦速度對聲波信號的影響；通過問卷調(diào)查[11]或心理聲學模型[12]研究特征參數(shù)與主體感受的關(guān)系，并通過自回歸分析將摩擦信號劃分到不同的主體感受類別中[13]。傅里葉頻譜分析的特點在于著眼于頻率及分布，將信號視為多個平穩(wěn)子信號的疊加，同時也忽略了信號的時域特征[14]。在已有相關(guān)研究方法中，機械振動方程和傅里葉頻譜均較適用于描述非穩(wěn)態(tài)信號某一方面的特征，而對織物摩擦聲波信號的全部內(nèi)容難以進行完整的表征。本文基于哈爾特征(Haar feature)全面描述織物摩擦聲音信號，使用漸進式辨別器對聲音信號進行可分性研究，為通過摩擦聲音識別紡織材料提供新的方法和工具。

1 實驗部分

1.1 實驗材料

本文使用Y208W型半自動小樣機(南通三思機電科技有限公司)織造4類共32個織物試樣，包括羊毛、棉、桑蠶絲、亞麻4種纖維材料。實驗材料規(guī)格見表1。

1.2 聲音采集

本文自制的摩擦聲音采集裝置見圖1。將試樣織物裁成長條狀，一端固定，另一端用張力器扣住。將1個微型話筒安裝在滑竿上，并通過數(shù)據(jù)線連接電腦。話筒到試樣固定段的水平距離為40 cm，其高度可由滑竿上的齒輪調(diào)節(jié)。采集聲音時，先將話筒用同種織物包覆，然后下降到接觸試樣的高度，并在張力器上產(chǎn)生5 N讀數(shù)，以保證話筒與試樣的緊密接觸；打開電源，讓電動機帶動滑竿向前運動至試樣另一端，其運動過程耗時被設(shè)定為1 s。此過程中話筒包覆織物與試樣織物之間摩擦產(chǎn)生的聲音被以8 kHz 的采樣頻率錄制并儲存到電腦中。采集實驗在溫度20 ℃、相對濕度65%的恒溫恒濕實驗室中進行。

表1 實驗材料規(guī)格

1—張力器；2—滑竿；3—微型話筒；4—試樣織物。圖1 摩擦聲音采集裝置

圖2 具有代表性試樣織物摩擦聲音信號

從4類織物中各選1個具有代表性的試樣進行分析，具有代表性試樣織物摩擦聲音信號見圖2?？梢钥闯?，這些信號具有典型的非穩(wěn)定狀態(tài)和衰減特征，使用頻譜分析難以描述其全貌，故本文用哈爾特征進行分析。

2 實驗方法

2.1 特征空間

哈爾特征是模式識別的常用工具之一。信號(V)的哈爾特征(F)定義為下列2個向量的乘積：

F(s,p)=V(s,p)×H(s)

式中：s為尺度參數(shù)、p為位移參數(shù)；V(s,p) 為信號在位移p處以尺度s截取的片段；H(s)為哈爾小波在尺度s上的縮放實例。若將s和p視為變量，則F(s,p)構(gòu)建的三維空間即為信號V的哈爾特征空間。本文采樣率決定了單個聲音信號包含8 000個數(shù)據(jù)點，從而決定了s和p的范圍為[1, 8 000]，因此1個聲音信號的哈爾特征空間包含64 000 000個特征點。

利用灰度映射方法可將哈爾特征空間可視化。將p和s分別作為縱坐標和橫坐標，將所有特征點上的值映射到灰度范圍[0, 1]，得到摩擦聲音信號的哈爾特征空間可視圖見圖3。

圖3 摩擦聲音信號的哈爾特征空間可視圖

圖3示出了與圖2各試樣摩擦聲音信號對應(yīng)的哈爾特征空間。可以看出，較亮的區(qū)域代表具有較大值的特征點，較暗的區(qū)域代表具有較小值的特征點。

2.2 特征辨別器

F(s,p)定義的哈爾特征空間代表了摩擦聲音信號在所有尺度、所有位移上的特征，其中的每個特征點由一對坐標(s,p)表示。在每個點上構(gòu)建1個特征辨別器(以D表示)如下：

式中：ts,p為特征辨別器D(s,p)的閾值，辨別器D(s,p)根據(jù)ts,p區(qū)分正樣本和負樣本。單個特征辨別器做線性判斷，當該點上的特征值F(s,p)落在閾值ts,p的特定一側(cè)時認作是正樣本，反之認作負樣本。

構(gòu)建特征辨別器的關(guān)鍵是確定其閾值。規(guī)定辨別器D(s,p)的閾值ts,p必須同時滿足以下2個條件：①ts,p必須正確判斷所有正樣本；②ts,p必須保持最小負樣本的誤判率。

對于羊毛、棉、桑蠶絲和亞麻4類織物中的任何一類，存在8個正樣本和24個負樣本。以羊毛織物試樣特征辨別器Dw(1,2)為例，說明辨別器及其閾值的推導邏輯。首先對所有32個樣本提取特征值，得到哈爾特征空間中點(1,2)處的特征值，見圖4。

圖4 哈爾特征空間中點(1,2)處的特征值

從圖4可以看出，哈爾特征空間點(1，2)處正樣本(羊毛)與負樣本(棉、桑蠶絲、亞麻試樣)的特征值范圍嚴重重疊，無法根據(jù)單一閾值進行有效的區(qū)分。計算得到正樣本在該點的特征值范圍為0.08～0.46，為能夠正確判斷所有正樣本(即滿足上述閾值條件①)，該點閾值應(yīng)取0.08或0.46。若取0.08且將特征值大于等于該值的樣本認作正樣本，則計有20個負樣本將被誤判；若取0.46且將特征值小于等于該值的樣本認作正樣本，則有15個負樣本被誤判。為使負樣本的誤判率較低(即滿足上述閾值條件②)，最終該點閾值應(yīng)取0.46，即：

如此建立的特征辨別器為“弱”辨別器，它可以正確判斷所有正樣本，但判斷負樣本的準確率很低。單個特征辨別器的作用遠遠不夠，但由于每個辨別器都會排除一些負樣本，大量辨別器共同發(fā)揮作用則可能成為有力的工具。

2.3 辨別器隊列

綜上所述，每個摩擦聲音信號包含64×106個特征點，每個類別也就擁有64×106個特征辨別器，數(shù)量如此龐大的辨別器帶來的沉重運算負荷，使得其難以在實際中運用。本文通過調(diào)整和設(shè)計辨別器的順序，構(gòu)造了1個隊列，使得負樣本在穿過隊列的過程中能夠被盡早否決。

在辨別器隊列問題上本文的思路是：隊列中的每個辨別器必須盡可能多地否決負樣本，同時能夠彌補上個辨別器的缺陷。為實現(xiàn)這一目的，為每個負樣本分配1個權(quán)值，該權(quán)值根據(jù)辨別器在負樣本上的表現(xiàn)不斷調(diào)整，使得被選中的辨別器傾向于修正已存在的錯誤。具體步驟描述如下：

步驟1：為每個負樣本分配初始權(quán)值1.0。

步驟2：“”為每個辨別器計算得分，是其否決的所有負樣本的權(quán)值之和。

步驟:3：選擇得分最高的辨別器(記為Dm)放入隊列末尾。

步驟4：將被辨別器Dm誤判的負樣本的權(quán)值翻倍，跳轉(zhuǎn)到步驟2。

步驟2到步驟4反復執(zhí)行，直到隊列積累了指定數(shù)量的辨別器。這些辨別器構(gòu)成1個有序的隊列，可大幅提高辨別的效率。

3 結(jié)果與討論

3.1 辨別器及隊列

如前所述，每個類別存在64×106個特征辨別器，所有正樣本都能通過這些辨別器，但1個負樣本通過所有辨別器的概率非常小，羊毛負樣本通過特征辨別器的數(shù)量見圖5。

圖5 羊毛負樣本通過特征辨別器的數(shù)量

由圖5可以看出，沒有1個負樣本能夠通過所有辨別器。即64×106個辨別器共同否決了所有羊毛負樣本，由于其能夠100%識別正樣本，因此總的辨別率也是100%。對于其余3類織物，用同樣的方法構(gòu)建辨別器，計算得到負樣本否決數(shù)及總辨別率，見表2。

表2 負樣本否決數(shù)及總辨別率

圖6 羊毛負樣本在辨別器隊列中的通過量

從圖5可以看出，絕大多數(shù)羊毛負樣本的通過量集中在24×106個～48×106個之間，這說明特征辨別器作為整體存在很大的優(yōu)化空間。對羊毛類樣本構(gòu)建辨別器隊列，長度取4×106個，羊毛負樣本在辨別器隊列中的通過量見圖6?？梢钥闯?，沒有負樣本能夠穿過該隊列。與圖5相比較，該隊列保持了100%的辨別率，但辨別器數(shù)量有大幅減少。

為4類樣本分別構(gòu)建辨別器隊列，辨別器數(shù)量每次增加5×105個在不同隊列長度下實驗，得出負樣本否決數(shù)與辨別器隊列長度的關(guān)系見圖7。

圖7 負樣本否決數(shù)與辨別器隊列長度的關(guān)系

從圖7可以看出，長度為2×106的隊列可否決所有桑蠶絲負樣本，辨別器數(shù)量下降96.88%；長度為4×106的隊列可否決所有羊毛負樣本，辨別器數(shù)量下降93.75%；長度為4.5×106的隊列可否決23個棉負樣本，辨別器數(shù)量下降92.97%；長度為5×106的隊列可否決22個亞麻負樣本試樣，辨別器數(shù)量下降92.12%。故使用辨別器隊列可大幅減少辨別器數(shù)量，提高運算效率，且使辨別的正確率保持不變。

3.2 織物密度和組織的影響

影響織物摩擦聲音辨別的主要因素，除纖維材料外，還有織物密度和織物組織，其在辨別器隊列中通過的長度是不同的。從圖6可以看出羊毛負樣本在辨別器隊列中通過的情況為：平紋、低密試樣易于在早期(辨別器隊列的前端)被否決，而斜紋(或緞紋)、高密的樣本則傾向于在較晚階段被否決。即平紋、低密試樣比斜紋(或緞紋)、高密試樣易于辨別。

為驗證上述推斷，分別計算低密試樣和高密試樣在辨別器隊列長度上的數(shù)量分布?？椢锩芏葘Ρ鎰e能力的影響見圖8。

本文4類織物試樣，每類包含2種織物組織和4種織物密度共8個試樣，低密度指每種織物組織中前2種較低的密度配置，高密指每種織物組織中后2種較高的密度配置。對每個類別，存在24個負樣本，其中低密度試樣和高密度試樣各12個，因此所有4類共有低密度試樣和高密度試樣各48個。

由于否決不同數(shù)量的負樣本所需的隊列長度不同，圖8中使用了歸一化的隊列長度。從圖8可以看出，低密試樣和高密試樣對應(yīng)的隊列長度都呈正態(tài)分布；低密試樣對應(yīng)的隊列長度集中在0.3附近，即多數(shù)低密試樣在穿過所屬類別的辨別器隊列30%左右被否決；而高密試樣隊列長度則以0.6為分布中心，即多數(shù)高密試樣在穿過所屬類別的辨別器隊列60%左右被否決。這證明低密試樣比高密試樣易于辨別。類似地，可分別計算平紋試樣和斜/緞紋試樣在辨別器隊列長度上的數(shù)量分布?？椢锝M織對辨別能力的影響見圖9。

圖8 織物密度對辨別能力的影響

圖9 織物組織對辨別能力的影響

從圖9可以看出，平紋試樣隊列長度集中在0.5附近，而斜/緞紋試樣隊列長度集中在0.7附近，因此平紋試樣比斜紋和緞紋試樣稍微易于辨別。

4 結(jié)束語

本文在哈爾特征空間之上建立了特征辨別器，這些辨別器能夠以較高的準確率區(qū)分棉、羊毛、桑蠶絲和亞麻4類織物。通過傾向性選擇組建了辨別器隊列，該隊列能夠大幅減少辨別器的數(shù)量，提高運算效率，并保持辨別準確率不變。此外，討論了織物密度和織物組織對辨別隊列的影響，發(fā)現(xiàn)低密、平紋織物比高密、斜紋或緞紋織物通過的辨別器數(shù)量少，更易于被辨別。結(jié)果表明本文構(gòu)建的辨別器隊列可確保高效運行并將織物摩擦聲音的辨別率保持在90%以上。