Tekstiilintunnistus NIR-spektridatasta neuroverkon avulla
Piiparinen, Jesse (2025)
2025
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2025121536470
https://urn.fi/URN:NBN:fi:amk-2025121536470
Tiivistelmä
Opinnäytetyössä luotiin FINIX-konsortion hankkeelle tekstiilintunnistukseen soveltuva neuroverkko polyesterin, puuvillan ja villan lähi-infrapuna spektridatasta. Opinnäytetyö toteutettiin osana konenäköprototyypin kehitystä, jossa luotiin kannettava mittausväline, jolla voidaan nopeuttaa tekstiilien luokittelua kierrätysvaiheessa.
Tekstiilien lähi-infrapuna spektridataa analysoitiin ja verrattiin tekstiilien molekyylirakenteisiin. Neuroverkon ohjelmointi toteutettiin Python-ohjelmointikielellä Jupyter Notebook -ympäristössä. TensorFlow- ja Keras-kirjastojen ohjelmointirajapintoja hyödynnettiin kehityksen aikana. Neuroverkko optimoitiin kvantisoimalla ja Raspberry Pi -tietokoneeseen asennettiin TensorFlow Lite -paketti inferenssiä varten.
Opinnäytetyössä saavutettiin prosessorilla ajettava neuroverkon arkkitehtuuri, joka mahdollistaa kolmen tekstiilin välisen luokittelun kannettavassa mittalaitteessa. Neuroverkon luokittelun viiveeksi todettiin noin yksi millisekunti ja luokittelun tarkkuudeksi 99 prosenttia. A neural network suitable for textile classification was developed for the FINIX consortium’s project using near-infrared spectral data of polyester, cotton, and wool. The development was part of a machine vision prototype, where a portable measurement device was designed to speed up textile classification during the recycling phase.
The textiles' near-infrared spectral data were analyzed and compared to the molecular structures of the materials. The neural network was programmed with the Python programming language and in a Jupyter Notebook environment. TensorFlow and Keras libraries were utilized during the development. The neural network was optimized through quantization, and the TensorFlow Lite library was installed in the Raspberry Pi computer for inference.
The thesis achieves a processor-executable neural network architecture for classification between three textile types. The neural network’s classification latency is found to be approximately one millisecond, and the classification accuracy 99 percent.
Tekstiilien lähi-infrapuna spektridataa analysoitiin ja verrattiin tekstiilien molekyylirakenteisiin. Neuroverkon ohjelmointi toteutettiin Python-ohjelmointikielellä Jupyter Notebook -ympäristössä. TensorFlow- ja Keras-kirjastojen ohjelmointirajapintoja hyödynnettiin kehityksen aikana. Neuroverkko optimoitiin kvantisoimalla ja Raspberry Pi -tietokoneeseen asennettiin TensorFlow Lite -paketti inferenssiä varten.
Opinnäytetyössä saavutettiin prosessorilla ajettava neuroverkon arkkitehtuuri, joka mahdollistaa kolmen tekstiilin välisen luokittelun kannettavassa mittalaitteessa. Neuroverkon luokittelun viiveeksi todettiin noin yksi millisekunti ja luokittelun tarkkuudeksi 99 prosenttia.
The textiles' near-infrared spectral data were analyzed and compared to the molecular structures of the materials. The neural network was programmed with the Python programming language and in a Jupyter Notebook environment. TensorFlow and Keras libraries were utilized during the development. The neural network was optimized through quantization, and the TensorFlow Lite library was installed in the Raspberry Pi computer for inference.
The thesis achieves a processor-executable neural network architecture for classification between three textile types. The neural network’s classification latency is found to be approximately one millisecond, and the classification accuracy 99 percent.