免费热线:400-82-13149

24小时服务热线:13671843966

织物平整度等级客观评定方法
来源:未知     发布时间:2019-04-15 15:12    次浏览    大小:  16px  14px  12px
按本发明评定方法评定结果,主客观相关系数达97.91%,评定级差在0.5级以内所占比例为96.15%,具有显著的技术进步和实质性特点。
一种织物平整度等级客观评定方法,其步骤包括:
a.利用同一织物光照图像获取装置,采集织物模板和织物样本相应的若干幅灰度图像;
b.利用图像处理系统,对所采集的灰度图像转化成二维数字图像;
c.根据二维数字图像分别重建三维织物模板图像和织物样本图像;
d.分别提取织物模板三维图像和织物样本三维图像的特征参数;
e.对所得二种图像的特征参数采用模式识别方法评定织物的平整度。

按本发明评定方法评定结果,主客观相关系数达97.91%,评定级差在0.5级以内所占比例为96.15%,具有显著的技术进步和实质性特点。
织物表观性能在纺织品质量控制及贸易中是一项重要指标,而织物的折皱性能又直接影响纺织品的美观特性,因此,对织物的折皱性能加以评定显得十分必要。
目前所进行的评定是主观评定,主要采用标样对照法,即将试样与标准样卡在标准灯光条件下通过眼光目测进行比较,这种主观评定方法,由于人为因素影响,容易带来评定误差。
人们对织物平整度等级评定的研究现状是:研究初期主要采用仪器法评定织物平整度。1971年Shiloh发明了一种折皱测试仪来评估织物起皱,他采用高度、斜度和密度等几何参数来定义起皱,然而评价准确率不高。1986年Galuszynski进一步开发了两种装置:折皱仪和皱纹仪,通过测量织物的折痕长度得到折皱率P(%)与主观评价的线性回归方程。1990年Amirbayat也提出了相似的方法,通过仪器测量,计算出织物厚度方向的张力,结果表明,它与标样对照法有着很高的相关性。1995年Harlock等人采用莫尔条纹法分析接缝处的起皱情况,该方法存在的问题是:光照条件对莫尔条纹影响较大,同时很难适用于表面有凸起的织物。
90年代初,1991 Inui采用超声波技术评测织物的起皱,由于超声波束很窄且反射强度与织物的表面坡度有关,该方法尤其适用于轻微程度的折皱,但是不适用于较模糊的表面,同时易受接触角的影响。1992年Stylios和Sotomi采用CCD摄像机系统评测缝合起拱,他们通过测量接缝亮度、纹理和图案构造出折皱参数与主观评价的线性回归式,然而该方法是以统计分析为基础,所摄图像易受外界光源条件的影响。
近年来,随着计算机技术的不断发展,已有人开始借助计算机图像处理技术评定织物平整度。1995 Xu.B提出了用折皱灰度表面积、阴影面积评定平整度等级;1995年Youngjoo Na和Behnam Pourdeyhimi提出用折皱强度、轮廓、功率谱密度、尖锐度、随机分布程度、总体外观等来表征平整度,再用上述指标确定织物的平整度,与主观评定结果有着很好的相关性。2000年Kang和Lee采用激光扫描系统获取织物的三维表面形状,结合分形理论评定织物的平整度等级。
新型理论也开始应用于织物的平整度等级评定,1997 Chang等人利用误差反馈神经网络评定织物平整度,对40种织物试样进行评定,评定结果与主观评定的相关系数为85%;1999 Chang和Tae借助神经网络与模糊理论相结合可以较好的评估织物平整度,对30种织物试样进行客观评定,评定结果与主观评定的相关系数达到90.80%。2000 Tsunchiro等人将小波理论应用于织物的平整度评定,采用Daubechies小波提取平整度特征值,用于织物起皱(尤其是缝合起拱)的客观评价,对20种织物试样的客观评定,评定的主、客观相关系数为83%。
概括地说,对于织物平整度的等级评定,迄今为止仍主要采用主观评定方法,即标样对照法。该方法以美国AATCC-124标准样卡为参考模板,中国国标GB/T13796-92就是参照美国AATCC标准制定的,评定过程是将试样与标准样卡在标准灯光条件下通过眼光目测进行比较,最终确定试样的平整度等级。但是,该方法属于主观评定,由于人为因素影响,容易带来实验误差。另外,借助仪器评定织物平整度等级的方法也常被采用,采用折皱测试仪评定织物平整度等级,是利用高度、斜度和密度等几何参数来定义折皱,由于此方法是接触式测量,易改变织物折皱原貌,评价的准确率不高。
根据本发明的一种织物平整度等级客观评定的方法,其步骤包括:a.利用同一织物光照图像获取装置,对织物模板和织物样本,以迭代方法摄取相应的多幅灰度图像;b.利用图像处理系统,将所采集的多幅织物模板灰度图像和织物样本灰度图像分别转换成织物模板二维数字图像和织物样本二维数字图像;c.利用图像处理系统,将所建立的织物模板二维数字图像和织物样本二维数字图像分别重建成织物模板三维图像和织物样本三维图像;d.利用图像处理系统,分别对重建的织物模板三维图像和织物样本三维图像提取特征参数;最后,e.对所提取的织物模板图像特征参数和织物样本图像特征参数采用模式识别法评定该织物的平整度。
所说的利用织物光照图像获取装置拍摄织物样本或模板灰度图像,是将织物样本或模板放置在胶合板上,该胶合板平面与一光源平面平行,且都与竖直平面成5°夹角,一CCD摄像机安装在一固定支架上,其摄取方向与该光源平面垂直,该光源平面上均匀分布8个点光源,这些点光源依次开啓,或该光源平面上均匀分布8个光源停置点,移动点光源,其依次经过该8个光源停置点,而得到8个不同光照图像,整个过程均在暗室中进行。
所说的将所采集的若干幅织物样本或模板灰度图像转换成织物样本或织物模板二维数字图像,是利用一图像采集卡将该CCD摄像机所摄取的织物样本或织物模板图像转换为织物样本或织物模板二维数字图像。
所说的将建立的织物样本或织物模板的二维数字图像重建成织物的样本或模板三维图像是采用光度立体视觉法,从多幅灰度图像出发,结合有限差分法进行迭代计算来重建织物的样本或模板三维形状。
所说的织物特征参数提取是对织物三维重建算法所获得的织物样本或织物模板的三维轮廓数据,提取反映织物平整度的特征参数,其包括对比度、功率谱密度、分形维数、表面面积、粗糙度、扭曲度、峰度、平均偏移量、整体折皱密度和尖锐度。
所说的模式识别是采用自适应模糊神经网络模式识别方法来评定织物的平整度等级,包括三个步骤:e1.将织物模板的特征参数值输入神经网络之中,经过学习和训练,输出竞争获胜的神经元,以获胜的神经元代表不同等级的平整度模板,从而,将不同等级的平整度模板划分成不同的类别。
e2.将织物样本的特征参数值输入神经网络之中,利用步骤e1对不同的织物样本进行分类。
e3.将织物样本的类别与织物模板的类别进行对照,确定织物样本的平整度等级。
本发明方法与已有技术相比,具有突出的实质性特点和显著的进步:由于本发明方法中所使用的织物光照图像获取装置应用环境与人工评价的环境比较接近,因此,使评价结果更具可比性,特别是,结合三维重建和等级评定领域的新颖算法,可以较为准确地评定织物的平整度等级;本发明方法中,由于采用自适应模糊神经网模式识别来评定织物的平整度,其融合了模糊逻辑和神经元网络各自的优点,采用光度立体视觉法提取织物平整度的特征值,输入自适应神经网络中,所评定的主、客观相关系数达到97.91%,评定级差在0.5级以内所占比例为96.15%,以较大的幅度超过了已有技术所达到的与主观评定结果相吻合的相关指标。
 
具体实施方式
下面根据图1~图4给出本发明方法一个较好实施例,并结合对实施例的描述,进一步给出本发明方法的技术细节,以使能更好地说明本发明的技术特征和功能特色,但不是用来限制本发明的权利要求保护范围。
首先,根据图1所示,实施本发明的技术路线,并按本发明方法建立实施本发明的工作系统,如图2所示,实施本发明方法的系统包括微机1、固定支架2、CCD摄像机3、织物光照图像获取装置4、特征提取DSP模块7和等级评定DSP模块8,该织物光照图像获取装置4包括光源平面41、织物样本42或织物模板42’以及胶合板40,其中:织物样本42或织物模板42’安置在胶合板40上,胶合板40的平面与光源平面41平行,且都与竖直平面成5°夹角,CCD摄像机3安装在固定支架2上,其摄取方向与光源平面41垂直,也即与织物样本42或织物模板42’的放置平面垂直,从而保证摄取到最佳的光照图像,光源平面41上均匀分布8个点光源,这些点光源依次单独点亮,或光源平面41上均匀分布8个停置点,一个点光源受控沿着这些停置点逐一停留,如此,可得到8个不同光照图像。整个实验,即图像采集步骤在暗室中进行,以防止其它光线进入,影响实验结果,实施例中,CCD摄像机3为PanasonicWv-cp410/G型,分辨率为380线,图像采集卡为微视MVPCI-V3型。
光度立体视觉法是从多幅灰度图像出发,利用图像与物体几何形状的关系来恢复物体三维表面形状。
该算法的基本实现过程是:1)利用光照模型计算物体表面任一点P的的图像灰度(即图像亮度):Ip=kdcosθ=kdsTn(1.1)其中n=(nx,ny,nz)T,为P点单位法向量,即‖n‖=1;S=(Sx,Sy,Sz)T也是归一化后的光源方向向量。
2)为得到多幅光照图像,光源分别为S1,S2,...Si,...Sm,在实验中,光源依次开启(即每次只开启一个),得到m幅光照图像,设物体表面P点在光照图像中的灰度值分别为Ip1,Ip2,...Ipi,...Ipm,式(1)转化为:Ip=Ip1Ip2MIpiMIpm=kdSpNp=kdSp1Sp2MSpiMSpmNp---(i=1,2,Λm)---(1.2)]]>可利用最小二乘法解出Np与kd。
3)物体表面空间形状可表示为:S=Z(X,Y)                          (1.3)对于物体表面任意一点P(X,Y,Z),它的图像坐标(x,y)为:(1.4)其中,f为摄像机焦距,由于一般物体表面各点Z的变化比起物体到摄像机的距离Z0要小得多,可以近似认为Z=Z0,即Z为一常数,故式(4)可写为:x=kX  y,=kY                      (1.5)其中,k=f/Z0为一比例系数,可近似认为是常数。
4)物体表面任意一点P(X,Y,Z)的单位法线向量n=(nx,ny,nz)T用图像坐标(x,y)可表示为:n≡1k2+(∂Z∂x)2+(∂Z∂y)2(-∂Z∂z,-∂Z∂y,k)T--(1.6)]]>∂Z∂x=-nx=-knxnz,∂Z∂y=-ny=-knynz,k=nz--(1.7)]]>则物体表面形状Z(X,Y)可由式(7)中的两个偏微分方程解得。如令z=Zk,]]>则有∂z∂x=-nx/nz,]]>∂z∂y=-ny/nz---(1.8)]]>
5)实际计算中,由于图像已离散化,故利用有限差分法进行迭代计算,可由任一点z(x0,y0)=z0出发(即边界条件,一般取0),选取适当的步长δ,求出与(x0,y0)相邻的(x0+δ,y0),(x0-δ,y0)与(x0,y0+δ),(x0,y0-δ)点的z值,并依次推进,即可得到所有离散图像点上的z值。
z(x0+δ,y0)=-nx/nz+z(x0,y0), z(x0,y0+δ)=-ny/nz+z(x0,y0);z(x0-δ,y0)=nx/nz+z(x0,y0), z(x0,y0-δ)=ny/nz+z(x0,y0);M(1.9)在微机1中建立特征提取DSP模块7,专门用于计算机图像特征值的提取。
利用三维重建算法所获得的织物三维轮廓数据,提取反映织物平整度的特征参数,它们分别是:对比度、功率谱密度、分形维数,表面面积、粗糙度、扭曲度、峰度、平均偏移量、整体折皱密度和尖锐度。每种特征参数的计算如下:5)对比度(contrast):contrast=Σi=1NΣj=1N(zi-zj)2Mi,j>0--(2.1)]]>其中zl,zj表示任意一对空间点的高度值,M为共生矩阵的频率值,大小为N×N6)功率谱密度(P):P(u,v)=|F(u,v)|2(2.2)其F|(u,v)=1MNΣx=0M-1F(x,u)exp(-2jπuxM)]]>F(x,u)=N{1NΣy=0N-1z(x,y)exp(-2jπvyN)}]]>N,M分别为图像的行数和列数;u,v代表两个实频率变量,变量u对应于x轴,变量v对应于y轴;u=0,1,2,Λ,M-1,v=0,1,2,Λ,N-1;F(u,v)为空间频谱,z(x,y)为重建后的三维表面形态。
7)分形维数(D):lnN(λ)=lnK-Dlnλ(2.3)其中:N(λ)—尺度个数λ—尺度D—分形维数K—比例系数4)表面面积(Sn):Sa=Σi=1NΣj=1N(Zx,y-Zx+i,y+j)--(2.4)]]>其中:Zx,y—代表一列(行)中的所有高度值。
Zx+i,y+j—代表相邻行或(列)中的高度值。
5)粗糙度(σ):σ=1N2Σi=1NΣj=1N(z(i,j)-z(i,j)‾)2--(2.5)]]>其中:z(i,j)—织物表面任意一点的高度值—表面高度的平均值N2—折皱图像的高度点总数6)扭曲度(S):S=1N2Σi=1NΣj=1N(z(i,j)-z(i,j)‾)3/σ3]]>
(2.6)7)峰度(K):K=1N2Σi=1NΣj=1N(z(i,j)-z(i,j)‾)4/σ4--(2.7)]]>8)平均偏移量(Ra):Ra=1N2Σi=1NΣj=1N(|z(i,j)-z(i,j)‾|)--(2.8)]]>9)整体折皱密度(Wd):Wd=∑(各区间的折皱数)/N2(2.9)10)尖锐度(Sharpness):Sharpness=Σi=1MΣj=1MHi,j/Wi,j--(2.10)]]>其中:波峰的高度为H,波谷的宽度为W,M代表横向(或纵向)列数在微机1中建立等级评定DSP模块8,其程序流程如图4所示,采用基于减法聚类的自适应模糊神经网络(ANFIS)客观评定织物平整度等级自适应模糊神经网络融合了模糊逻辑和神经元网络各自的优点,实现该方法的总体框架流程如图4所示,通常的模糊神经网络模型其输入子集的个数和原始模型都是人为确定,有很大的随意性。在此采用减法聚类来确定它们。这种方法的优点是在无先验数据集合经验的基础上,经计算能自动将数据归类,形成不同的聚类中心,聚类中心的个数即为聚类数,主要用来确定if-then模糊规则数和输入变量的隶属度函数个数。这种应用减法聚类方法来确定模糊规则数和输入变量隶属度函数个数的自适应模糊神经网络就是基于减法聚类的自适应神经网络,应用这种神经网络可对织物平整度等级进行客观评定。
在减法聚类算法中,聚类中心的候选集为数据点,每个数据点都有可能作为聚类中心,可根据各个数据点周围的数据点密度来计算该点作为聚类中心的可能性。
减法聚类具体学习算法的步骤如下:1.确定初始参数,最小误差值和迭代次数。
2.对于M维空间的n个数据点(x1,x2,...xn),由于每个数据点都是聚类中心的候选者,因此,数据点xi处的密度指标定义为:Di=Σj=1nexp(-||xi-xj||2(γα/2)2)--(3.1)]]>这里γα是一个正数,xj是与xi相邻的点,显然,如果一个数据点有多个邻近的数据点,则该数据点具有高密度值。半径γα定义了该点的一个邻域,半径以外的数据点对该点的密度指标贡献甚微。
3.在计算每个数据点指标后,选择具有最高密度指标的数据点为第一个聚类中心,令xc1为选中的点,Dc1为其密度指标。那么每个数据点xi的密度指标可用公式(3.2)修正。
Di=Di-Dc1exp(-||xi-xc1||2(γb/2)2)--(3.2)]]>其中γb是一个正数,一般是γb=1.5γα。显然,靠近第一个聚类中心xc1的数据点的密度指标将显著减少,这样使得这些点不太可能选为下一个聚类中心。
4.修正了每个数据点的密度指标后,选定下一个聚类中心xc2,再次修正数据点的所有密度指标。该过程不断重复,一直持续到所有剩余的数据点作为聚类中心的可能性低于最小误差值,聚类过程结束。
 
过程结束时的聚类中心个数即为输入子集的个数,并由此可确定模糊规则数和输入变量隶属度函数个数。
首先利用图2所示的织物光照图像采集装置4,获取织物平整度等级模板和织物样本42图像,图像采集的具体步骤为:
a1固定好织物样本42,并将摄像机对准织物样本42的中央,将CCD摄像机3与计算机1的图像采集卡5相连,然后打开摄像机3。
a2拉上黑幕使实验环境成为暗室。
a3依次开启光源41,并进行图像采集,但需保证每次采集只有一个光源照射在织物样本42上。由于本系统采用8个光源,故每一种织物试样将有八幅光照图像。
接下来对织物平整度模板进行三维重建和特征提取。具体步骤为:a4以美国AATCC织物平整度模板为标准,利用图2织物光照图像采集装置4,采集不同平整度等级织物模板的图像。
a5利用图2所示计算机系统1和图3提供的三维重建算法,重建织物模板的三维表面形状,并从获取的织物模板轮廓数据中提取反映织物平整度的特征参数,采用的特征值为对比度、功率谱密度等10种。
a6使用图2中的图像采集装置4,采集不同类型织物试样的原始图像和光照图像,并利用步骤a5进行织物的三维重建和特征提取。
最后是织物平整度等级的客观评定,即模式识别过程。
先将提取的特征参数值作为模式识别的输入量,然后利用自适应模糊神经网络(ANFIS)客观评定织物的平整度等级。实施的具体步骤为e1、将织物模板的特征参数值输入自适应模糊神经网络之中,经过学习和训练,得到不同平整度等级的输出值。
e2、将织物样本的特征参数值输入自适应模糊神经网络之中,同样经过学习和训练过程,得到不同种类织物样本的输出值。
e3、将织物样本的输出值与织物模板的输出值进行对照,利用“择近原则”确定织物样本的平整度等级。