摘要纤维种类识别是进行纺织品混纺含量测定的前提条件，本文根据纤维直径和特定着色剂染色后颜色特征，应用支持向量机实现棉麻纤维的计算机自动识别，指出支持向量机是一种对有限训练样本更为科学的判别方法。
关键词纤维识别支持向量机混纺比
引言
纺织品大多由多种纤维混纺而成。棉麻混纺能提高服装的舒适性和保形性而被广泛采用。织物中各种纤维的混纺比是影响织物性质的重要指标。因此，纤维的混纺比测定在纺织品质量检测和进出口贸易中有着广泛的应用。
织物中棉麻的混纺比一般通过识别纤维的种类并计数和测量不同纤维直径来进行计算。传统上，纤维识别通过人工进行。这种方法速度慢而且精确度不高，由于受制于人的经验，广泛使用带来成本的上升。国内外研究人员已开始尝试把图像处理、计算机视觉和模式识别技术应用于纤维识别。在前人研究的基础上，本文尝试将支持向量机应用于纤维识别，并对支持向量机的判别特点进行比较，从而找出更为适当的判别方法。
1检测系统的软硬件系统构成
1.1图像采集系统的硬件系统构成织物分解成单根纤维后，放在显微镜的载玻片上;CCD摄像头采集纤维图像，转化成电信号后经由图像卡采集入计算机，然后由专用的软件对图像进行处理，提取相关特征量对纤维进行识别(见图1)。
[attach]51022[/attach]
1.2软件系统构成
测试过程分两个步骤，前100根纤维由人眼进行识别，有关特征值及识别结果作为学习样本对支持向量机进行训练，剩下的纤维用训练好的支持向量机自动识别。软件由以下模块构成(见图2)。
[attach]51023[/attach]
2特征参数的选取
特征量的选取是纤维识别的关键。为增加信息量，先用特种着色鉴别剂对混合纤维试样进行着色，使棉麻呈现不同的颜色。通过大量的实验，采集1000个样本，其中棉纤维425个，麻纤维575个。在对这些样本进行分析后，从中选取4个特征量，它们是纤维颜色的R分量、G分量、B分量和纤维直径。在样本中选取100个样本，画出这4个特征量与棉/麻纤维的相关性(见图3，4)。(图中1～50号为棉，51～100号为麻。)
[attach]51024[/attach]
3支持向量机的设计与仿真
从图3~4中可以看出，纤维种类与直径的关系比较明显;与R、G、B单个值的关系不是十分明显。为此，采用支持向量机对测试样本进行判断分析。
3.1支持向量机
统计学习理论和支持向量机建立一套较好的有限样本下机器学习的理论框架和通用方法，既有严格的理论框架，又能较好地解决小样本、非线性、高维数和局部极小点等实际问题，其核心思想就是学习机器要与有限的训练样本相适应，通过一个事先选择的非线性映射将一个线性不可分的空间映射到一个高维的线性可分的空间，在这个空间利用结构风险最小化原则构造最优分类超平面，支持向量机算法的技巧在于不直接计算复杂的非线性变换，而是计算非线性变换的点积，即核函数，高斯核函数支持向量机在实际应用中取得令人满意的结果，本文选用基于高斯核函数的支持向量机进行分类，其模型参数C，sigma的选择采用交叉验证方法获得。这里，用前100个样本作为训练样本，通过交叉验证，C=510.0，SIGMA=0.0078125,用训练好的分类器对剩下的900个测试样本进行分类，并与人工检测的结果相比较。总正确率90%(见表1)。4分析与结论从表1可看出，支持向量机正确率与三层神经
[attach]51025[/attach]
网络感知器正确率相当，但支持向量机的判别依据统一的理论基础和方法，对判别者的经验要求不高，支持向量机泛化能力强，是一种很有发展潜力的较新的判别方法。今后，还需要对支持向量机的核函数作进一步的研究，以期进一步提高判别正确率。
参考文献
1徐回祥，洪安凡，王建民等.关于混纺织物中棉、苎麻纤维识别的图像处理研究，苏州丝绸工学院学报，2000，20(4):14~20
2余序芬，吴兆平.棉麻混纺比图像处理测试系统的开发研究，中国纺织大学学报，1998，24(1)：41~45
3邓乃扬,田英杰.数据挖掘中的新方法——支持向量机，北京：科学出版社，2004
4贾立锋，孟会娟，孟凡辉.棉麻纤维自动识别技术研究，现代仪器，2006，12(3)：60~62
来源：《现代仪器》，转载请注明出处-仪器信息网(www.cncal.com)