防刺服在个人防护方面发挥着重要作用。在防刺领域，传统方法通常使用已知的冲击条件来评估防刺材料的保护性能和损伤。然而，这些方法无法从已知的损伤中回溯冲击信息，这使得难以确定冲击体的特征。本研究介绍了一种新的穿刺损伤预测模型，该模型能够在各种穿刺条件下，仅根据表面损伤图像预测芳纶防刺织物的冲击动能、峰值穿刺力和穿透层数。首先，通过动态穿刺试验和图像采集系统获得了不同的穿刺损伤图像及其相应的参数。其次，本研究开发了一种分割网络（命名为 SAN_SE 模型），克服了纤维增强复合材料表面纹理的复杂性，并实现了损伤区域的精确分割。训练损失稳定在 1.5 × 10−4。然后构建了一个分类模型，以建立图像和穿刺参数之间的关系，随后应用迁移学习从分类模型中导出一个回归模型。该回归模型的误差低于 6%。最后，构建了一个实时穿刺损伤预测系统，将此穿刺损伤预测模型应用于实际损伤场景。该系统在预测穿透层数方面实现了 88.57% 的准确率，并且能够在 0.025 秒内执行单个图像。本研究提出的穿刺损伤预测模型适用于医疗和军事领域的实时监控系统，例如损伤评估和反侦察。

一、引言

随着恐怖袭击事件的频发，由锐器造成的伤害在暴力冲突中占据了相当大的比例。防刺服装作为重要的个人防护装备，可以有效减少锐器造成的伤害，在军事、执法等领域有着广泛的应用。因此，对防刺服装的防刺性能进行评估和量化至关重要。目前，评估防刺服装防刺性能的传统方法主要依赖于实验测试和数值模拟，这些方法需要大量实验数据和计算资源，且无法从已知的损伤中追溯冲击信息，难以确定冲击物特性，存在一定的局限性。

近日，Top期刊《Composites Science and Technology》发表了一篇由北京理工大学爆炸科学与技术国家重点实验室的研究团队完成的关于基于表面损伤图像的芳纶防刺织物穿刺关键参数预测的研究成果。该研究提出了一种基于表面损伤图像使用人工神经网络预测芳纶防刺织物穿刺关键参数的新模型，能够从表面损伤图像中预测冲击动能、峰值穿刺力和穿透层数，从而实现防刺性能的评估和冲击信息的追溯。论文标题为“Prediction of puncture key parameters in aramid stab-resistant fabrics based on surface damage images using artificial neural networks”。

二、研究内容及方法

研究提出了一种新型刺伤损伤预测模型，能够利用表面图像预测芳纶防刺材料在多种刺伤损伤条件下的冲击动能、峰值刺伤力和穿透层数。通过动态刺伤试验和图像采集系统获取了图像及其对应的穿透参数，然后使用所提出的SAN_SE模型准确提取图像中刺伤损伤区域的特征。随后，通过构建分类模型建立了图像与实验中刺伤参数之间的关系。最后，应用迁移学习将分类模型转换为回归模型，使回归模型能够根据任意刺伤损伤条件下的表面图像预测冲击动能、峰值刺伤力和穿透层数。

1.动态刺击测试

研究使用了 SPFCT-2000 刺击阻力服性能测试仪，测试中设置了九个不同的下落高度，从 45 厘米到 205 厘米，间隔为 20 厘米，以模拟不同的冲击能量。样品固定在由多层不同材料组成的支撑板上，使用光电门记录刀片接触样品时的初始速度，并据此计算冲击动能。实验中还设置了数据采集系统，采用力传感器收集刀片在刺穿过程中的冲击力变化，定义穿透为刀尖完全穿过芳纶纤维增强复合材料层并在样品背面出现。通过在样品的不同层放置铝膜并与数据采集系统连接，可以确定刀片穿透的层数。实验结果表明，随着刀片下落高度的增加，刀片速度、穿透层数和峰值穿刺力也随之增加。

图1 动态刺入试验布局。

图2 刀在不同跌落高度造成的穿刺损伤图像。

2.图像采集和处理

系统主要由实验平台、工业相机、镜头、工业光源和光源控制器组成。使用基于机器视觉的图像采集系统获得不同下落高度下刀片造成的穿刺损伤图像，图像采集后，通过随机裁剪、翻转、旋转等数据增强技术将图像数据增加5倍，最终收集了450个刺穿损伤图像样本，并为模型训练设计了基于经验观察的特征标记方法，通过绘制以刺穿损伤区域的几何中心为圆心、半径为r的圆来标记图像样本的主要特征，其中r的公式定义为r = 18 + ID × 2，ID代表每个高度类别的标签值，r以像素为单位，从而有效地为模型训练生成所需的掩膜。

图3 图像数据准备过程。

3.穿刺损伤预测模型

该文章提出了用于精准定位和分割图像样本中穿刺损伤区域的分割网络（SAN_SE模型）。该模型采用改进的Siamese对抗网络结构，包含两个并行的相同卷积神经网络（CNN），和一个注意力机制层。在训练过程中，SAN_SE模型将一张穿刺损伤图像和一张完好图像同时输入网络，通过比较生成的掩膜与数据集中的标记掩膜来获得损失值，并利用这些损失值进行反向传播以调整网络参数。该模型通过结合正样本和负样本的输入组合，有效解决了小样本数据集中的样本不平衡问题，并显著提高了模型的学习效率和泛化能力。

图4 穿刺损伤预测模型的整个过程。

研究构建了一个决策网络，该网络首先通过分类模型对不同动能水平下的穿刺损伤图像进行准确分类，然后利用迁移学习的思想，将分类模型的参数迁移到回归模型中，以预测实验数据集中未包含的穿刺损伤参数。分类模型首先根据分割网络提取的特征，来区分10种类别的穿刺损伤，包括最大穿透层数、初始动能和峰值穿刺力。而回归模型则基于分类模型调整最后一层，通过训练学习穿刺损伤图像与冲击动能、峰值穿刺力和穿透层数之间的关系，以实现对任意穿刺条件下的损伤参数的预测。利用迁移学习思想，将分类模型的网络结构和参数迁移到回归模型中，通过训练，使回归模型能够根据图像预测穿刺损伤的动能、峰值穿刺力和穿透层数等参数。

图5  SAN_SE的架构。

图6 三个比较模型的结构（a）CNN，（b）CNN_SE，（c）SAN。

3.穿刺损伤预测模型的实际应用

研究展示了穿刺损伤预测模型在实际应用中的效果，通过将模型集成到一个自行开发的实时穿刺损伤预测系统中，利用PyQt5创建图形用户界面(GUI)，实现了对AFRP材料在不同穿刺条件下的损伤图像的快速和准确预测。系统允许用户上传目标图像，进行损伤区域的分割，并展示预测的冲击动能、峰值穿刺力、穿透层数以及预测过程的执行时间，证明了模型在实际损伤场景中的适用性，并达到了每张图像0.025秒的处理速度，准确预测穿透层数的准确率达到88.57%。此外，还通过五名不同体型的参与者使用两种不同尖角的刀具进行随机刺刀测试，评估了模型对手动刺伤损伤的预测性能，发现当使用尖角较大的刀具时，模型的预测精度有所下降，这表明刀具形状对穿刺损伤特征和模型预测性能有一定影响。

图7 分类模型的总体结构。

图8 回归模型的整体结构。

三、小结

该研究提出的基于表面损伤图像的芳纶防刺织物穿刺关键参数预测模型，能够有效地评估防刺服装的防刺性能，并追溯冲击信息，具有广阔的应用前景。

原始文献：

Liu, M., Liu, S., Li, H., Zhang, H., & Huang, G. (2024). Prediction of puncture key parameters in aramid stab-resistant fabrics based on surface damage images using artificial neural networks. Composites Science and Technology, 255, 110713.

原文链接：

https://doi.org/10.1016/j.compscitech.2024.110713