改进的纺织品纤维成分确定的制作方法

本发明涉及经由光谱分析、特别是近红外(NIR)光谱分析(G01N21/359)来确定纺织品样本(G01N33/36)的纤维成分的
技术领域：
。
背景技术：
纺织品生产中的材料的体积和种类在增加。纺织品可以用纤维材料的组合来生产。一示例是具有50％棉和50％涤纶的纺织品，以组合棉的柔软性与涤纶的耐久性。另一示例是具有30％棉和70％涤纶的纺织品。又一示例是具有55％亚麻、42％粘纤和3％氨纶的纺织品。本领域的普通技术人员将理解，纺织品成分百分比是重量百分比。EllenMacarthur基金会已经在2017年11月28日公开了文档“Anewtextileseconomy:Redesigningfashion’sfuture”。在当今的全球化消费者社会中，存在纺织品生产过剩，同时第三世界经济体中二手市场不断减少。因此，回收是实现循环经济的首要条件。为了进行回收，重要的是正确地分类纺织品纤维成分。诸如纤维回收、聚合物回收或单体回收之类的较高价值回收过程需要具有已知纤维成分的输入分数。即使在织物回收中，在织物片被重新组合以产生新服装的情况下，纤维成分必须是已知的以正确标记服装，并且正确指示新服装的维护。使用标签来对纺织品成分进行分类是不可取的。通常，标签会丢失，或者由于洗涤而不可读。另外，不存在用于附接标签的标准化位置。对于自动化分类和分选(sort)而言，应当完全避免标签的读取。此外，包括不同纺织品纤维成分的标签可能被错误地附接到服装。用于识别纺织品纤维含量的不同测试是可用的。示例包括燃烧测试、感觉测试、外观测试、微观测试、溶解度测试、光学测试、密度测试和染色测试。对于这些测试，选择性不够高和/或测试本质上是破坏性的。本发明寻求以上公开的测试的另选方式。DE19920592A1公开了一种经由NIR光谱分析对纤维纺织品样本的分析。样本在短的顺序时段中多次经受光谱分析。使用包括节点和加权边的人工神经网络(ANN)来评估各个检查的结果。使用ANN的单独结果来创建全局结果，该全局结果用于识别样本。US8190551B2公开了一种用于使用光谱分析、化学计量建模和类模拟软独立建模(SIMCA)将纺织品样本和未知织物分类到已知类别中的方法。该方法涉及针对已知织物样本库收集光谱数据、优选地漫NIR反射率数据，从而为各种类型的织物创建主成分分析的数据库，并且使用SIMCA根据该数据库来对未知织物样本进行分类。SIMCA可以将样本分类成在所呈现的组中的单个组中、多个组中或不在所述组中的任一者中。WO2004/053220A1公开了一种用于从需要处理的受污染纺织品制品识别纺织品参数的方法。利用电磁辐射来照射受污染纺织品制品的表面，该电磁辐射包括从783nm至1183nm的光谱范围。从纺织品制品的表面收集样本光谱数据。通过将光谱数据的样本与从参考纺织品材料获得的参考光谱数据进行比较来识别纺织品参数，特别是经由多变量分析。根据US8190551B2的方法将包含30％棉和70％涤纶的纺织品分类成这样的材料：该材料关于棉和涤纶含量的测试呈阳性。然而，根据US8190551B2的方法不适合用于准确地确定多种纤维材料类型中的各个纤维材料类型的相对成分量。此外，根据DE19920592A1和WO2004/053220A1的方法也不适合用于准确地确定多种纤维材料类型中的各个纤维材料类型的相对成分量。本发明旨在解决上述问题中的至少一些问题。本发明特别旨在准确地确定多种纤维材料类型中的各个纤维材料类型的相对成分量。本发明的另一目的是根据纤维材料类型的成分，特别是在(例如用于回收的)高吞吐量环境中，对纺织品样本(诸如衣物)进行分选。技术实现要素：在第一方面，本发明涉及一种根据权利要求1所述的用于确定纺织品样本的纤维成分的方法。在第二方面，本发明涉及一种根据权利要求14所述的用于确定纺织品样本的纤维成分的设备。在第三方面，本发明涉及将根据第一方面的方法和/或根据第二方面的设备用于：·分选纺织品样本；·生产质量控制；和/或·成分标签检查。所属领域的技术人员将了解，“数值相对成分量”的特定且特别优选的示例是重量百分比或重量分数。本发明能够准确地确定纺织品纤维成分，特别是当针对各种各样的纤维材料类型和纤维材料类型的成分时。发明人已经发现，对于增加量的纤维材料类型和纤维材料类型的成分，一般非结构化人工神经网络(ANN)的训练不仅变得非常困难，而且还导致分类结果的劣化。利用当前要求保护的深度神经网络(DNN)，使得发明人能够同时在计算机资源方面简化训练过程，并且在准确度方面胜过一般非结构化ANN。示例性的一般非结构化ANN包括在任何两个节点(输入、输出和隐藏)之间的加权边，其具有与DNN类似量的加权边。在具体实施方式中公开了进一步的优点以及优选实施方式的优点。附图说明图1示出了根据本发明的设备的实施方式的示意性概览。图2示出了根据本发明的数据处理算法的实施方式的示意性概览。图3、图4和图5示出了纺织品样本的示例性光谱，以便例示根据本发明的数据处理算法的若干特征。图6示出了根据本发明的被配置成根据纤维成分对纺织品样本(诸如，衣物)进行分选的设备的实施方式的示意性概览。具体实施方式本发明涉及一种用于确定纺织品样本的纤维成分的方法和设备以及所述方法和/或所述设备的多个用途。本发明已经在上面的对应部分中进行概括。在下文中，详细地描述了本发明，讨论了本发明的优选实施方式，并且借助非限制性示例示了本发明。术语定义除非另外定义，否则在公开本发明中使用的所有术语(包括技术术语和科学术语)具有本发明所属领域的普通技术人员通常理解的含义。借助于进一步的引导，术语定义被包括进来以更好地理解本发明的教导。如本文所使用的，以下术语具有以下含义：如本文所使用的，“一”和“该”是指单数和复数所指事物，除非上下文另有明确规定。作为示例，“一隔室”是指一个或不止一个隔室。如本文中所使用的，涉及可测量值(诸如，参数、量、时间持续等)的“约”意指涵盖所指定的值和相对于所指定的值的 /-20％或更小、优选地 /-10％或更小、更优选地 /-5％或更小、甚至更优选地 /-1％或更小、并且还更优选地 /-0.1％或更小的变化，只要这些变化适合于在所公开的发明中执行。然而，应当理解，修饰语“约”所指的值本身也被具体公开。如本文中所使用，“包含(comprise、comprising、comprises、comprisedof)”与“包括(include、including、includes)”或“含有(contain、containing、contains)”是同义的，并且是指定随后内容(例如，成分)的存在的包含性或开放式术语且不排除或排斥存在附加的、未叙述的成分、特征、元件、构件、步骤(所属领域中已知或在本文中公开)。通过端点对数值范围的叙述包括包含在该范围内的所有数字和分数，以及所述端点。本发明的方面在第一方面，本发明提供了一种用于确定纺织品样本的纤维成分的方法。该方法包括若干步骤。利用近红外(NIR)光来照射纺织品样本。捕获来自样本的反射NIR光。基于所捕获的光来确定光谱值的向量。将该向量输入到深度神经网络(DNN)。DNN包括节点层的序列。该序列包括输入层、至少两个中间层和输出层。该序列的连续层的节点经由边互连。各个边包括权重，即，边是加权边。从DNN获得输出。所述输出包括针对多种纤维材料类型中的各个纤维材料类型的数值相对成分量。所属领域的技术人员将了解，“数值相对成分量”的特定且特别优选的示例是重量百分比或重量分数。在第二方面，本发明提供了一种用于确定纺织品样本的纤维成分的设备。该设备包括光源、光谱仪和计算机系统。光源被配置成利用近红外(NIR)光照射纺织品样本。光谱仪被配置成捕获来自所述样本的反射NIR光，并且基于所捕获的光确定光谱值的向量。计算机系统包括至少一个处理器。所述计算机系统被配置成从所述光谱仪获得所述向量，将所述向量输入到深度神经网络(DNN)，以及从所述DNN获得输出。DNN包括节点层的序列。该序列包括输入层、至少两个中间层和输出层。该序列的连续层的节点经由边互连。各个边包括权重，即，边是加权边。所述输出包括针对多种纤维材料类型中的各个纤维材料类型的数值相对成分量。因此，本领域普通技术人员将理解，根据第二方面的设备被配置成执行根据第一方面的方法。在第三方面中，根据第一方面的方法和/或根据第二方面的设备可以用于以下项中的任一项或更多项：·分选纺织品样本(例如，衣物、服装、地毯、桌布或统称为织物)，例如用于回收目的或工业清洁，优选地用于分选废纺织品样本(诸如用于再使用和/或回收的废纺织品)；和/或·生产质量控制；和/或·成分标签检查(例如，在海关检查处)。本领域普通技术人员将理解，本发明的三个方面因此是相互关联的。因此，上面和/或下面描述的各个特征可以涉及本发明的各个方面，即使已经结合特定方面进行了描述。本发明能够准确地确定纺织品纤维成分，特别是当针对各种各样的纤维材料类型和纤维材料类型的成分时。DNN针对多种纤维材料类型中的各个纤维材料类型输出量化的数值相对成分量，例如重量百分比。这不仅允许获得特定纤维材料类型的定性存在，例如纺织品样本中是否存在棉，而且允许量化地准确评估特定相对量。发明人已经发现，对于增加量的纤维材料类型和纤维材料类型的成分，一般非结构化人工神经网络(ANN)的训练不仅变得非常困难，而且还导致分类结果的劣化。利用当前要求保护的DNN，使得发明人能够同时在计算机资源方面简化训练过程，并且在准确度方面胜过一般非结构化ANN。示例性的一般非结构化ANN包括在任何两个节点(输入、输出和隐藏)之间的加权边，其具有与DNN类似量的加权边。纤维材料成分本领域普通技术人员将理解，纺织品材料成分“百分比”是“重量百分比”，并且纺织品材料成分“分数”是“重量分数”。包含30％棉和70％涤纶的纺织品样本例如包含30％重量的棉和70％重量的涤纶。包含0.30棉和0.70涤纶的纺织品样本例如包含0.30重量分数的棉和0.70重量分数的涤纶。纤维材料类型可以是天然纤维材料类型或合成纤维材料类型。在优选实施方式中，多种纤维材料类型包括至少一种天然纤维材料类型和至少一种合成纤维材料类型。纺织品纤维材料的非限制性示例性列表包括：蕉麻(abaca)、醋酸纤维(acetate)、腈纶(聚丙烯腈(polyacrylonitrile))、芳纶(凯夫拉尔(kevlar)、诺梅克斯(nomex))、竹纤维、香蕉纤维、椰壳纤维、棉、二醋酸纤维(diacetate)、麻(hemp)、黄麻(jute)、木棉(kapok)、红麻(kenaf)、皮革、亚麻(麻布(flax))、莱赛尔(lyocell)、改性腈纶(modacrylic)、莫代尔、烯烃(olefin)、菠萝纤维(pina)、锦纶(尼龙)、涤纶、聚乙烯(迪尼玛(dyneema))、聚乙烯醇(维纶(vinylon))、聚氯乙烯(腈氯纶(vinyon))、酒椰纤维(raffia)、苎麻(ramie)、人造丝(粘纤(viscose))、丝绸、剑麻(sisal)、大豆蛋白、氨纶(莱卡(lycra)、弹性纤维(elastane))、三醋酸纤维(triacetate)、羊毛，及其混合物。在优选实施方式中，多种纤维材料类型包括以下中的至少两种(优选地至少三种、更优选地至少四种、甚至更优选地至少五种、最优选地所有六种)：棉类型、羊毛类型、涤纶类型、腈纶类型、粘纤类型和锦纶类型。本领域的普通技术人员将理解，“属类型”可以一般指属或者特别指属的种。例如，锦纶类型可以一般指锦纶或者特别指尼龙。例如，羊毛类型可以一般指羊毛或者特别指羊驼毛。近红外(NIR)光近红外(NIR)通常是指波长在780nm至2500nm范围内的光。NIR光谱分析是非破坏性分析方法，其不需要试剂或辅助化学品。NIR光可以穿透50μm至100μm进入纺织品样本中。反射光因此可以包含关于表面的信息以及纺织品样本的整体性质。NIR允许同时确定多个光谱值。所捕获的反射光可以对应于漫反射或镜面反射。在优选实施方式中，所捕获的反射光对应于漫反射。来自光源的光可以穿过透镜。为了避免从透镜反射的光对所分析的反射光谱有贡献，对漫反射进行捕获和分析。由此，光源可以被定位在朝向纺织品样本的与捕获元件不同的角度下。在NIR区域中发生的最显著的吸收带与在约780nm至2000nm之间出现的泛频带(overtoneband)以及在1900nm至2500nm之间出现的C-H、N-H、O-H和S-H官能团的基本分子振动的组合带(combinationband)相关。在1000nm至2500nm之间的电磁波谱对于本发明是最关注的，并且在现有技术中也被称为短波红外(SWIR)。针对本发明，发明人最初已经对900nm至1700nm的光谱范围进行了测试，但是很快得出结论，即，对于在旧衣服中典型的纺织品纤维材料类型，上限需要扩展。鉴于WO2004/053220A1中公开的范围783nm至1183nm，这是令人惊讶的。随后，发明人研究了900nm至2500nm的光谱范围，其被收窄至：产生纺织品纤维材料成分的准确确定，而不会在过度宽的光谱范围的情况下使数据采集、处理和深度神经网络过载。在优选实施方式中，向量包括至少780nm(优选地至少900nm、更优选地至少1000nm、最优选地至少1100nm)的波长的光谱值。在优选实施方式中，向量包括至多2500nm(优选地至多2400nm、更优选地至多2300nm、甚至更优选地至多2200nm、还甚至更优选地至多2100nm、最优选地至多2000nm)的波长的光谱值。在优选实施方式中，向量包括仅在900nm至2400nm范围内(优选地在1000nm至2250nm的范围内、甚至更优选地在1100nm至2100nm的范围内、最优选地在1100nm至2000nm的范围内)的波长的光谱值。本发明人已经发现，这种减小的范围允许准确的纤维成分确定，同时减少要处理的数据量(在成分确定期间以及在训练期间)。在优选实施方式中，向量包括至少32个(优选地至少64个、更优选地至少128个、最优选地至少256个)光谱值。在优选实施方式中，向量包括至多65536个(优选地至多32768个、更优选地至多16384个、甚至更优选地至多8192个、还甚至更优选地至多4096个、更加优选地至多2048个、甚至更加优选地至多1024个、还甚至更加优选地至多512个、最优选地至多256个)光谱值。光谱值的向量包括恒定或非恒定的波长间隔。非恒定波长间隔的示例是在对数标度上出现恒值的波长间隔。在优选实施方式中，光谱值的向量包括恒定波长间隔。在优选实施方式中，光谱值的向量包括至多10nm(优选地至多9nm、更优选地至多8nm、甚至更优选地至多7nm、还甚至更优选地至多6nm、更加优选地至多5nm、最优选地至多4nm)的波长间隔。在优选实施方式中，光谱值的向量包括采样的光谱值；或者在波长间隔上求平均或求和的光谱值。在后一种情况下，波长间隔也被称为带，并且波长间隔的大小被称为带宽。特别优选的是，光谱值对应于在带上捕获的反射光强度或者其函数。光谱值可以是所捕获的反射光的振幅的绝对值、所捕获的反射光的振幅的相位、所捕获的反射光的复值振幅、所捕获的反射光的强度、或者前述项中的任一者或更多者的函数。在优选实施方式中，光谱值是所捕获的反射光的强度或强度的函数。强度的特别优选的函数是所捕获的反射光的强度的倒数的对数：logy(1/R)，其中，R是具有各个波长的反射强度的向量，并且其中，y是对数的基数，诸如y＝2、y＝e或y＝10。在优选实施方式中，反射光被引导通过窄缝和准直光学器件，该准直光学器件将光束朝向诸如棱镜或光栅的色散元件进行矫正，在该色散元件中，光被分散到全光谱的波长中。可以将色散光朝向检测器引导通过聚焦光学器件。在优选实施方式中，NIR光谱以光谱值被捕获，各个光谱值对应于NIR波长的窄带中的反射光强度。例如，如果光谱仪被配置成检测具有256个数据点的从1100nm至2100nm的光谱，则将存在256个光谱值，各个光谱值对应于(约)3.91nm的带宽。在优选实施方式中，基于校准测量来对光谱值的向量进行归一化(normalize)。优选地，在预定时刻定期地执行校准测量。优选地，校准测量每天至少执行一次、更优选每12小时至少一次、甚至更优选每6小时至少一次，诸如每4小时一次、每3小时一次、每2小时一次、每小时一次、每30分钟一次或每15分钟一次。优选地，校准测量基于白色校准基准和黑色校准基准。在本文中，白色校准基准可以是实质上完全反射的校准物，诸如白板。在本文中，黑色校准基准可以是实质上完全吸收的校准物，或者在用于纺织品样本的通道与光谱仪之间的光路的中断(诸如，光学阀)。针对白色校准基准和黑色校准基准中的每一者，可以获得光谱值的校准向量。这可以经由发射NIR光来执行，捕获反射NIR光(如果有的话)，并且基于所捕获的光来确定校准向量。对于光路的中断，可以确定噪声的影响。然后，可以利用黑色校准基准和白色校准基准的光谱值的校准向量对样本的光谱值的向量进行归一化。本领域普通技术人员将理解，在该实施方式中，归一化向量被输入到DNN。本领域普通技术人员将理解，在该实施方式中，归一化向量用于训练DNN。在优选实施方式中，纺织品样本的光谱值的归一化向量Rn是其中，·R是纺织品样本的光谱值的测量向量；·Rb是黑色校准基准的光谱值的校准向量；·Rw是白色校准基准的光谱值的校准向量。硬件优选地，所述设备包括用于捕获来自纺织品样本的反射光的传感器头。优选地，该设备包括光缆。优选地，光缆被定位在传感器头与光谱仪之间。优选地，光缆将传感器头联接到光谱仪。优选地，传感器头包括抛物面镜(parabolicmirror)。优选地，传感器头被配置成在抛物面镜的焦点处或附近将捕获的反射光耦合到光缆中。优选地，光谱仪包括色散元件和检测器。优选地，该设备包括用于输送纺织品样本的传送带。该设备可以被配置成在纺织品样本相对于传感器头静止时扫描纺织品样本。另选地，该设备可以被配置成在纺织品样本经由传送带移动时扫描纺织品样本。优选地，该设备具有每纺织品样本至多50毫秒(更优选地至多20毫秒)的光谱获取和分析时间。优选地，该设备具有每秒至少0.2个(更优选地至少0.25个、甚至更优选地至少0.33个、还甚至更优选地至少0.5个、最优选地至少1个)纺织品样本的吞吐量。本领域普通技术人员将理解，对于吞吐量，也应当考虑输送时间。该设备可以包括一个、两个、三个、四个或更多个传感器头。该设备可以包括一个、两个、三个、四个或更多个光谱仪。在多个传感器头的情况下，两个传感器头可以被定位在用于纺织品样本的通道的正面侧。在优选实施方式中，该设备包括多个传送带和多个传感器头，由此各个传感器头被定位在多个传送带之一处，由此多个传感器头被联接到光谱仪，由此该设备包括多路复用器，该多路复用器用于在传感器头之间进行切换，以利用各个传感器头进行顺序的光谱获取。光谱获取和分析时间通常显著低于纺织品样本的输送时间。当利用同一计算机系统和光谱仪在时间上顺序地分析多个传送带上的纺织品样本时，可以最佳地使用计算机系统和光谱仪。优选地，例如，黑色基准涉及经由光学阀(诸如，在传感器头之前的阀、在光缆与传感器头之间的阀、或者在光缆与光谱仪之间的阀)中断从纺织品样本到光谱仪的光引导。在一个实施方式中，该设备还可以包括用于检测纺织品样本的颜色的颜色传感器系统。在这种情况下，该设备可以被配置用于至少部分地基于颜色对纺织品样本进行分选。在一个实施方式中，该设备还可以包括用于检测纺织品样本的纹理的纹理传感器系统，例如，织物样本是编织的还是针织的。纹理传感器系统可包括摄像头和/或距离传感器。在这种情况下，该设备可以被配置用于至少部分地基于纹理对纺织品样本进行分选。优选地，每个纺织品样本确定一个光谱值向量。优选地，每个纺织品样本确定单个光谱值向量。优选地，每个纺织品样本确定至多一个光谱值向量。在优选实施方式中，该设备包括多个在空间上分离的输出位置。所述设备可以被配置成基于人工神经网络的输出来确定输出位置并且将纺织品样本输送到所确定的输出位置。各个输出位置可以包括箱。在优选实施方式中，基于输出的数值相对成分量为纺织品样本从一组成分类别选择成分类别。成分类别的非限制性示例性列表可以包括：0％棉和100％涤纶、5％棉和95％涤纶、10％棉和90％涤纶、15％棉和85％涤纶、20％棉和80％涤纶、25％棉和75％涤纶等。对于具有确定的数值相对成分量19.8％棉、79.4％涤纶和0.8％剩余物的纺织品样本，例如，可以选择20％棉和80％涤纶类别。优选地，各个输出位置对应于一个或更多个成分类别。可以利用传感器头在距纺织品样本150mm至600mm之间的距离处执行测量。传感器头可以被定位在传送带的平面中的纺织品样本下方或纺织品样本上方。优选地，反射传感器头经由光缆连接到光谱仪。光缆应该具有足够的质量。本发明人已经发现，光缆应当包含尽可能少的OH基团，因为这样的基团负责吸水性。光缆的吸水性会干扰关注的光谱，特别是对于纺织品纤维成分确定而言。当利用根据本发明的多个设备时，重要的是在多个设备上保持光缆的长度恒定。发明人使用的光缆的示例性长度为约10m。DNN的结构DNN包括节点层的序列。该序列包括输入层、至少两个中间层和输出层。该序列的连续层的节点经由边互连。各个边包括权重。因此，边是加权边。最优选地，DNN仅包括连续层的节点之间的边。最优选地，DNN的各个边连接连续层的两个节点。最优选地，DNN不包括直接将输入层的节点与输出层的节点连接起来的加权边。“深度神经网络”(DNN)是计算机实现的。DNN包括计算机可处理的(优选地，数字)数据，其表示节点、边和边的权重。深度学习软件的非限制性示例性列表(即用于深度学习的计算机程序产品)，包括：Accord.NET、ApacheMXNet、ApacheSINGA、BigDL、Caffe、Chainer、Deeplearning4j、Dlib、英特尔数据分析加速库、Keras、Matlab深度学习工具包、Microsoft认知工具包(CNTK)、神经设计器(NeuralDesigner)、OpenNN、PyTorch、scikit-learn、TensorFlow、Theano、Torch和WolframMathematica。用于深度学习的优选计算机程序产品是Microsoft认知工具包(CNTK)，诸如具有图形处理单元支持的版本2.6。这样的计算机程序产品允许表示DNN、训练DNN并且利用DNN通过输入光谱值的向量来获得多种纤维材料类型中的各个纤维材料类型的数值相对成分量(例如，重量百分比)。在优选实施方式中，DNN的层序列包括至少三个(更优选地至少四个、最优选地至少五个)中间层。在优选实施方式中，DNN的层序列包括至多1024个(优选地至多512个、更优选地至多256个、甚至更优选地至多128个、还甚至更优选地至多64个、甚至更加优选地至多32个、最优选地至多16个)中间层。例如，该序列可以包括5、6、7、8、9、10、11、12、13、14、15或16个中间层。更优选地，该序列包括5、6、7或8个中间层。最优选地，该序列包括5个中间层。DNN被配置成经由加权边向各个连续层提供来自前一层的输出作为输入。人工神经网络可以包括或可以不包括反馈回路。优选地，DNN是前馈网络。优选地，DNN不包括反馈回路。优选地，DNN被配置用于从输入层到输出层的无回环的数据流。优选地，DNN是非递归神经网络。在优选实施方式中，连续层中的节点的数量从输入层到输出层不增加。序列的连续层对可以包括相同数量的节点。节点可以包括或者可以不包括激活函数。激活函数可以是线性激活函数或非线性激活函数。线性激活函数可以是f(x)＝x。在优选实施方式中，中间层的节点包括非线性激活函数。优选地，各个中间层的节点包括非线性激活函数。优选地，非线性激活函数是：·修正线性单元激活函数f(x)＝max(0,x)；·softplus激活函数f(x)＝loge(1 ex)；·二进制阶跃激活函数f(x)＝{0forx<0；1forx≥0}；·sigmoid(对数)激活函数或·双曲正切激活函数此处，f(x)是节点的输出，x是传入信号之和，即，前一层的节点的输出之和乘以将该节点与前一层的节点连接的边的权重。更优选地，非线性激活函数是双曲正切激活函数或sigmoid激活函数。最优选地，非线性激活函数是双曲正切激活函数。连续层对的一层的节点中的至少一些节点经由加权边与该对中的另一层的一个或更多个其它节点连接。在优选实施方式中，连续层对的一层的各个节点经由加权边与该对中的另一层的各个节点连接，即，该对的层是“完全互连的”。优选地，序列的所有连续层对完全互连，即DNN包括“密集层(denselayers)”。在优选实施方式中，输入层对应于光谱值的向量。优选地，输入层的节点的数量等于向量的光谱值的数量。在优选实施方式中，输出层对应于增加了剩余物类型的多种纤维材料类型。优选地，输出层的节点的数量等于多种纤维材料类型中的纤维材料类型的数量加一。DNN的训练DNN可以经由包括纤维材料类型的已知训练用成分的多个训练用纺织品样本来训练。优选地，多个训练用纺织品样本中的至少若干训练用纺织品样本包括两种或更多种纤维材料类型的训练用成分。训练用纺织品样本可以包括一种、两种、三种、四种、五种、六种、七种、八种、九种或更多种纤维材料类型。训练用纺织品样本可以包括包含不存在于所述多种纤维材料类型中的纤维材料类型的成分。最优选地，多个训练用纺织品样本包括包含相同纤维材料类型但具有不同相对量的两种或更多种训练用纺织品样本。例如，第一训练用纺织品样本可以包含50％棉和50％涤纶，第二训练用纺织品样本可以包含30％棉和70％涤纶。因此，不同的成分可以在纤维材料类型和/或某些纤维材料类型的相对量方面不同。优选地，多个训练用纺织品样本包括具有相同纤维成分的样本的集合，但是在该集合中的样本上，具有不同湿度水平、不同涂层、不同颜色和/或不同纹理。湿度水平、涂层、颜色和纹理可能会影响NIR光谱。为了正确地识别成分，可以因此利用具有相同纤维材料成分但是在诸如湿度水平、涂层、颜色和/或纹理之类的其它特征方面不同的训练用纺织品样本来训练DNN。对于多个训练用纺织品样本中的各个训练用纺织品样本，可以经由以下步骤来获得光谱值的向量：利用NIR光照射样本；捕获来自样本的反射NIR光；以及基于所捕获的光来确定向量。然后可以利用多个训练用纺织品样本中的各个训练用纺织品样本的光谱值的向量和训练用成分来训练DNN。在优选实施方式中，经由边的权重的迭代优化来执行DNN的训练。优选地，迭代优化在预定数量的迭代期间执行，或者直到达到预定准确度为止。优选地，多个训练用纺织品样本中的训练用纺织品样本被标记为建模或测试样本。建模样本可以用于计算DNN的第一权重集合。然后，可以通过对测试样本进行预测、将预测值与测试样本的已知训练用成分进行比较以及更新DNN的权重来迭代地更新权重。在优选实施方式中，使用梯度下降来更新权重。梯度下降可以是随机梯度下降、批量梯度下降或小批量梯度下降。优选地，使用小批量梯度下降来更新权重，其中，基于对测试样本的不完整子集的预测来迭代地更新权重。优选地，多个训练用纺织品样本包括至少1000个(更优选地至少2000个、甚至更优选地至少4000个、最优选地约8000个)训练用纺织品样本。优选地，多次迭代地执行训练，直到准确度饱和，诸如在过度拟合开始时或附近。发明人所使用的迭代的示例性次数的范围是从50次迭代(对于与多种纤维材料类型中的少量纤维材料类型结合的简单的光谱)至2000次迭代(对于包括六种纤维材料类型的多种纤维材料类型)。优选地，各个成分的训练用纺织品样本的数目为至少5个、优选至少10个、更优选至少20个，例如20个、24个、28个、32个、36个、40个、44个、48个或50个。最优选地，每个成分的纺织品样本的数目为至少40个，诸如约50个。示例通过以下非限制性示例来进一步描述本发明，以下非限制性示例进一步例示了本发明，并且不旨在限制本发明的范围，也不应当被解释为限制本发明的范围。示例1：设备本示例涉及根据本示例的设备的实施方式。图1示出了该实施方式的示意性概览。该设备包括传送带(22)、包含光源、透镜和捕获元件的传感器头(21)、光缆(23)、光谱仪(24)和计算机系统(25)。光缆将传感器头联接到光谱仪。图中所示的是定位在传送带的平面中的传感器头。另选地，传感器头可以定位在传送带上方以从上方扫描纺织品样本。所述设备被配置成捕获来自所述纺织品样本的NIR光的漫反射。反射光被引导通过窄缝和准直光学器件，该准直光学器件将光束朝向诸如棱镜或光栅的色散元件进行矫正，在该色散元件中，光被分散到全光谱的波长中。色散光朝向检测器被引导通过聚焦光学器件。NIR光谱以光谱值被捕获，各个光谱值对应于NIR波长的窄带中的反射光强度。光谱仪特别被配置成检测具有256个数据点的从1100nm至2100nm的光谱。因此，该向量包括256个光谱值，各个光谱值对应于约3.91nm的带宽。最优选地，光谱值是捕获反射光强度的倒数的对数，如具体实施方式中所述。计算机系统被配置成从光谱仪获得向量，并且确定多种纤维材料类型中的各个纤维材料类型的数值相对成分量。多种纤维材料类型尤其可以包括腈纶(acrylic)、棉、锦纶(polyamide)、涤纶(polyester)、粘纤(viscose)和羊毛。示例2：深度神经网络本示例涉及深度神经网络(DNN)。本示例优选地涉及之前的示例1。发明人已经将具有图形处理单元支持的Microsoft认知工具包(CNTK)版本2.6用于本发明的实施方式，但是当然也可以使用其它计算机程序产品。本发明的DNN是前馈网络，其被配置用于从输入层到输出层的无回环的数据流。DNN包括256个节点的输入层、五个中间层和7个节点的输出层。从输入层到输出层，中间层分别包括256个、128个、64个、32个和16个节点。所有的连续层对是完全互连的。因此，各个对的一层的各个节点经由边与该对中的另一层的各个节点连接。各个边包括权重。输入层的节点的数量总共等于向量的光谱值的数量。输出层的节点的数量总共等于多种纤维材料类型中的纤维材料类型的数量增加一(针对剩余物类型)。示例3：数据处理算法本示例涉及根据本发明的数据处理算法的实施方式。本示例优选地涉及之前的示例1。本示例优选地涉及之前的示例2。图2示出了该实施方式的示意性概览。获得纺织品样本的光谱值的向量(31)。可以可选地预处理该向量(32)。预处理可以包括基于校准向量对该向量进行归一化，诸如以上具体实施方式中所描述的。将该向量输入到经训练的DNN，诸如根据示例2的DNN，该DNN将该向量转换成多种材料类型中的各个材料类型的数值相对成分值(33)。这种转换提供了连续的相对成分值。本领域普通技术人员将理解，在本发明的上下文中，“连续”是指计算机系统上的浮点表示。基于数值相对成分值，选择多个类别之一(34)。类别可以包括数值相对成分值的集合。可以基于相应的数值相对成分值的2-范数差来选择类别。这样的选择提供了预定义类别的离散集合的一个类别。示例4：训练DNN本示例涉及根据本发明的训练算法的实施方式。本示例优选地涉及之前的示例1。本示例优选地涉及之前的示例2。本示例优选地涉及之前的示例3。根据具体实施方式中的对应部分的所有优选实施方式来训练DNN。特别地，多个训练用纺织品样本包括以下训练样本：·其中一些具有不同的纤维材料类型；·其中一些具有多种纤维材料类型；·其中一些具有相同(多种)纤维材料类型，但是具有不同的相对量；以及·其中一些具有相同的纤维材料类型和相同的纤维材料类型成分，但具有不同的湿度水平、涂层、颜色和/或纹理。所述多个训练用纺织品样本包括每目标成分类别的8000个或更多个训练样本，至少为40个(特别是约50个训练样本)。优选地，输出层的节点包括softmax激活函数，并且训练目标基于分类交叉熵目标。优选地，该更新基于具有Nesterov动量的梯度下降，特别是具有0.9的动量参数和0.01的学习率。优选地，小批量的大小为8。优选地，训练时期(epoch)的数目是2000。示例5：示例性光谱图3、图4和图5示出了纺织品样本的示例性光谱。图3示出了特定波长区域(以nm表示的波长)，例示了在所示的特定区域中，各种纤维材料类型表现出特征峰，但是具有相同成分的不同样本仍然表现出相当大的变化。这可能是由于湿度水平、颜色、涂层和/或纹理的差异。图4示出了纯纺织品样本的若干光谱。光谱(1)对应于纯粘纤、光谱(2)对应于纯棉、光谱(3)对应于纯尼龙(锦纶)、光谱(4)对应于纯羊毛、光谱(5)对应于纯涤纶、光谱(6)对应于纯腈纶。图5示出了与纯棉相对应的若干光谱(7)、与纯涤纶相对应的若干光谱(8)、以及与包含55％棉和45％涤纶的混纺纺织品样本相对应的若干光谱。如可以观察到的，混纺纺织品样本不仅仅是纯纺织品样本的叠加，这表明需要用混纺纺织品样本训练DNN。示例6：第一比较例本示例涉及所有上述示例1、2、3和4。表1和表2示出了纯纺织品样本(即，包括一种纤维材料类型)的按重量的成分百分比，表1和表2分别是根据本发明获得的以及经由现有技术的相关性建模(诸如在US8190551B2中公开的)获得的。表1-纯纺织品样本的成分：本发明。样本棉涤纶羊毛腈纶粘纤锦纶598(棉)99％1％0％0％0％0％599(涤纶)0％98％0％0％0％0％600(羊毛)0％0％100％0％0％0％601(腈纶)0％0％0％99％0％0％602(粘纤)0％0％0％0％99％0％603(尼龙)0％0％0％0％0％99％表2-纯纺织品样本的成分：现有技术。样本棉涤纶羊毛腈纶粘纤锦纶598(棉)100％9％84％20％96％63％599(涤纶)14％100％29％49％23％33％600(羊毛)88％26％99％52％94％85％601(腈纶)20％44％47％100％32％61％602(粘纤)80％-2％53％-10％72％38％603(尼龙)66％33％86％67％72％99％尽管相关性建模仍然允许基于相关性因子的某个阈值水平对纯纤维进行分选，但是本发明清楚地胜过相关性建模，并且当需要辨别不同的成分时，分析将变得更加复杂。示例7：第二比较例本示例涉及所有上述示例1、2、3和4。表3、表4和表5示出了混纺纺织品样本(即，包括多种纤维材料类型)的按重量的成分百分比，表3、表4和表5分别是根据本发明获得的、经由现有技术的相关性建模获得的(诸如在US8190551B2中公开的)和经由化学分析获得的。表3-混纺纺织品样本的成分：本发明。表4-混纺纺织品样本的成分：现有技术。表5-混纺纺织品样本的成分：化学分析。根据本发明的方法产生准确的结果。传统的相关性方法示出与羊毛的高相关性和与腈纶的不良相关性。这使得传统的相关性方法不适合所设想的分选应用。示例8：第三比较例本示例涉及所有上述示例1、2、3和4。表6示出了根据本发明(第2列和第3列)预测的(pred.)和经由化学(chem.)分析(第4列和第5列)获得的混纺纺织品样本(即，包括多种纤维材料类型)的按重量的成分百分比。根据本发明的预测成分与通过化学分析获得的结果高准确度地匹配。这使得本发明适合于所设想的分选应用。表6-混纺纺织品样本的成分：根据本发明的预测以及化学分析。样本棉(pred.)涤纶(pred.)棉(chem.)涤纶(chem.)65542100.0％0.0％100.0％0.0％65543100.0％0.0％100.0％0.0％65541100.0％0.0％100.0％0.0％65540100.0％0.0％100.0％0.0％65539100.0％0.0％100.0％0.0％65538100.0％0.0％100.0％0.0％65537100.0％0.0％100.0％0.0％6630491.5％8.5％90.0％10.0％6630591.5％8.5％90.0％10.0％6630691.6％8.4％90.0％10.0％6630991.6％8.4％90.0％10.0％6630891.6％8.4％90.0％10.0％6561483.1％16.9％80.0％20.0％6568583.3％16.6％80.0％20.0％6561383.6％16.4％80.0％20.0％6566876.3％22.1％80.0％20.0％6851970.8％29.1％72.0％28.0％6852575.9％24.0％72.0％28.0％6892066.2％33.0％70.0％30.0％6600970.8％29.2％70.0％30.0％6845064.2％35.8％65.0％35.0％6844964.4％35.6％65.0％35.0％6847858.0％42.0％60.0％40.0％6561058.3％41.4％60.0％40.0％6635757.2％42.8％55.0％45.0％6832249.6％50.4％50.0％50.0％6832149.6％50.4％50.0％50.0％6633434.6％65.4％35.0％65.0％6634034.7％65.3％35.0％65.0％6840334.8％65.2％35.0％65.0％6840234.8％65.2％35.0％65.0％6621934.9％65.1％35.0％65.0％示例9：分选设备图6示出了根据所有前述示例1、2、3和4的分选设备。该设备包括多个输出位置。所述设备被配置成基于深度神经网络的输出来确定输出位置并且将纺织品样本输送到所确定的输出位置。在本示例中，在各个输出位置处设置带轮的箱，以用于放置纺织品样本。根据本示例的设备特别适合于分选目的，例如在回收之前。示例10：适应性在识别出错误分类的纺织品样本或包括新纤维材料类型和/或成分的纺织品样本后，可以将该纺织品样本添加到训练集。这使得根据本发明的方法和设备适合于使本发明适应各个特定需要，并且适合于持续学习。示例11：结构DNN本示例涉及所有上述示例1、2、3和4。图7示出了通过最小化具有单个中间层的DNN的损失函数来提高准确度。在60至70个训练时期后，准确度开始趋于稳定，约为75％。在480个训练时期之后，准确度达到83.2％。针对具有增加数量(1至5)的中间层和各个后续层中减少数量的节点的DNN重复上述实验。下面示出了在480个训练时期之后的结果。表7-使用不同DNN结构的准确度1883,2％232-884,1％364-32-886,3％4128-64-32-888,9％5256-128-64-32-890,2％示例12：湿度水平本示例涉及所有上述示例1、2、3和4。图8和图9示出了在不同湿度水平下的一块棉的光谱。如可以观察到的，样本示出了随着水分含量的增加而增加和偏移的吸水率。这表明需要利用具有不同水分含量的纺织品样本来训练DNN。这对于分选废纺织品样本(诸如用于再使用或回收的废纺织品)特别相关。对具有不同涂层、颜色和/或纹理的纺织品样本执行类似的实验，产生类似的结果，由此也表明需要利用具有不同涂层和纹理的纺织品样本来训练DNN。这对于分选废纺织品样本(诸如用于再使用或回收的废纺织品)也特别相关。当前第1页12