占 竹 盧開新 陳 霞 汪 軍

（東華大學(xué)，上海，201620）

服裝和面料在穿著或者洗滌過程中會不斷與自身以及外界其他物體發(fā)生摩擦，在過度頻繁的摩擦力作用下，纖維與纖維之間開始滑動并且逐漸擺脫紗線和纖維束的控制從而暴露于織物表面，形成絨毛，如果這些絨毛在隨后的摩擦過程中沒能及時脫落，將會彼此纏繞、交織在一起，突出于織物表面，形成毛球，這不僅破壞織物外觀，而且會影響織物的接觸舒適度，最終導(dǎo)致織物使用價值下降。隨著消費者對于服裝和面料的需求更加注重舒適性和裝飾性，織物起球問題越來越受到重視。

隨著計算機視覺技術(shù)的發(fā)展，眾多學(xué)者嘗試?yán)脠D像處理技術(shù)研究織物起球等級客觀評定問題。這些方法可分為兩類：一類是在空間域內(nèi)利用織物表面毛球的灰度差異對毛球的位置和面積進行統(tǒng)計，進而實現(xiàn)起球等級評定［1?3］；另一類基于頻域內(nèi)織物紋理背景和毛球的頻率信息的差異進行等級評定［4?7］。以上兩種方法都是基于人工特征提取的圖像處理方法，而具有特征自提取特性的機器學(xué)習(xí)方法，如卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN），卻少有研究。CNN 技術(shù)在最近的報道中被證明在計算機視覺相關(guān)任務(wù)上表現(xiàn)出色［8］。

本研究主要基于CNN 建立了一種織物起球等級客觀評定方法，對精梳毛織物起球標(biāo)準(zhǔn)樣照進行采集，濾除紋理分量等預(yù)處理步驟，在考慮所有圓形起球區(qū)域的基礎(chǔ)上，驗證了所提方法的可行性，并研究了子樣本尺寸對起球等級評定準(zhǔn)確率的影響。

1 標(biāo)準(zhǔn)樣照圖像預(yù)處理

1.1 圖像采集

精梳毛織物起球標(biāo)準(zhǔn)樣照（光面，GB/T 4802.2—2008《紡織品織物起毛起球性能的測定第2 部分：改型馬丁代爾法》）共有5 個等級，從一級到五級起球數(shù)量依次減少，每個等級包含一張標(biāo)準(zhǔn)樣照且所有等級標(biāo)準(zhǔn)樣照尺寸大小相同，其中圓形織物區(qū)域直徑為11.4 cm，整個圖片尺寸為11.5 cm×11.5 cm。由于標(biāo)準(zhǔn)樣照是以紙質(zhì)圖片的形式保存的，因此可通過具有平行光源的掃描儀采集數(shù)字圖像以減少其他因素的影響。本研究采用MICROTEK 4800 型掃描儀對標(biāo)準(zhǔn)樣照進行掃描，考慮采集對象的實際尺寸為11.5 cm，選用600 dpi 的分辨率，可計算得出采集所得到圖像大小應(yīng)為2 717 pixel×2 717 pixel，如圖1 所示。

圖1 織物起球標(biāo)準(zhǔn)樣照數(shù)字圖像

1.2 圓形起球區(qū)域提取

織物起球等級評定相關(guān)標(biāo)準(zhǔn)規(guī)定，不管是織物磨料還是起球區(qū)域都是圓形的，但目前關(guān)于織物起球等級的圖像處理研究中，還沒有針對圓形起球區(qū)域進行采樣的報道，大多學(xué)者的做法如圖2 所示，即截取部分起球區(qū)域或者截取圓形起球區(qū)域的最大內(nèi)接正方形。顯然，這樣的做法是不全面和不合理的，即使是最大內(nèi)接正方形也會丟失部分毛球信息（如紅色橢圓框所示），從而導(dǎo)致最終的評定過程出現(xiàn)誤差。

圖2 圓形起球區(qū)域最大內(nèi)接正方形截取示意圖

由于所采集圖像中織物區(qū)域和背景區(qū)域差異明顯，可通過圖像二值化操作容易地提取圓形織物區(qū)域，然后借助Matlab 軟件的Regionprops函數(shù)定位該圓形區(qū)域的圓心坐標(biāo)(x，y)，其中x 表示圓心到圖像左邊界的像素距離，y 表示圓心到圖像上邊界的像素距離，x 和y 的單位均為pixel?？紤]到起球區(qū)域同樣為圓形且處于織物試樣中央，因此使用圓形織物區(qū)域的圓心等效代替圓形起球區(qū)域的中心。按照GB/T 4802.2—2008 規(guī)定，馬丁代爾法中用于放置試樣的氈墊直徑為9.0 cm，即起球區(qū)域半徑為4.5 cm。根據(jù)比例關(guān)系計算可得圓形起球區(qū)域半徑對應(yīng)的像素為1 063 pixel。以五級標(biāo)準(zhǔn)樣照為例，圓形織物區(qū)域輪廓及圓心如圖3（a）所示，圓形起球區(qū)域示意如圖3（b）所示，提取的圓形織物區(qū)域如圖3（c）所示，提取的圓形起球區(qū)域如圖3（d）所示。表1 列出了所有等級標(biāo)準(zhǔn)樣照的圓形起球區(qū)域圓心坐標(biāo)。

圖3 圓形起球區(qū)域提取過程

表1 織物標(biāo)準(zhǔn)樣照圓形起球區(qū)域的圓心坐標(biāo)

1.3 織物紋理濾除

織物起球等級的客觀評定主要以毛球的數(shù)量和大小分布為依據(jù)，織物紋理的存在會引入無關(guān)干擾項，進而影響后續(xù)CNN 模型的測試準(zhǔn)確率，因此需要將織物紋理濾除。

主要過程：對上述步驟提取得到的起球區(qū)域圖像進行快速傅里葉變換獲得頻譜圖，并繪制對應(yīng)的三維頻譜，分別如圖4（a）和圖5 所示，其中的亮點對應(yīng)高頻紋理分量；取頻率幅值的50%作為閾值過濾高頻分量，濾波后的頻譜如圖4（b）所示；最后再通過傅里葉逆變換即可獲得紋理濾除后的圖像?？椢锛y理濾除前后標(biāo)準(zhǔn)樣照局部圖像如圖6 所示。

圖4 起球標(biāo)準(zhǔn)樣照對應(yīng)的頻譜圖

圖5 三維頻譜圖

圖6 起球標(biāo)準(zhǔn)樣照局部圖像

2 CNN 模型

2.1 數(shù)據(jù)集制作

由于原始的起球標(biāo)準(zhǔn)樣照圖像太大，不適合直接輸入CNN 模型進行訓(xùn)練，因此需要對原始圖像進行分割采樣獲取子樣本。采樣程序基于Py?thon 軟件完成，子樣本分割采樣示意圖如圖7所示。

圖7 子樣本分割采樣示意圖

為了增加數(shù)據(jù)量，采樣過程為橫向按照10 pixel固定步長有重疊采樣，縱向采用不重疊采樣，每個子樣本要求包含完整的起毛區(qū)域而不包含任何背景像素。

2.2 模型搭建

CNN 是一種帶有卷積結(jié)構(gòu)的深度學(xué)習(xí)模型［9］，主要包括卷積層、池化層和全連接層，每一層有多個特征圖，而每個特征圖對應(yīng)通過卷積濾波器提取的某種特征。與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型相比，CNN 通過局部感受野、權(quán)值共享、池化層等思想，有效減少了網(wǎng)絡(luò)的參數(shù)個數(shù)，緩解了模型的過擬合問題，并使得模型具有一定程度的位移、尺度、縮放、非線性形變穩(wěn)定性。

本研究所使用的訓(xùn)練CNN 的工作站配置為Intel i7 六 核CPU，64 GB DDR4 內(nèi) 存 和4 塊NVIDIA GTX1080Ti 顯存12 GB 的GPU，Ubun?tu18.04 系統(tǒng)。本研究所設(shè)計的CNN 模型包含3個卷積層和2 個全連接層，選用目前學(xué)術(shù)界常用的PyTorch 框架進行搭建。在訓(xùn)練階段，CNN 使用訓(xùn)練集樣本對應(yīng)的起球等級標(biāo)簽訓(xùn)練模型，在測試階段則利用訓(xùn)練好的模型對測試集中未知標(biāo)簽樣本的起球等級進行預(yù)測。

3 結(jié)果與討論

按照2.1 節(jié)所述子樣本采樣方式，設(shè)置了4種不同的子樣本大小，表2 詳細描述了按照這4種不同大小進行采樣所構(gòu)建的訓(xùn)練集、測試集樣本數(shù)量。

表2 訓(xùn)練集、測試集樣本數(shù)量

將訓(xùn)練集樣本作為輸入進行2.2 節(jié)所述CNN 模型的訓(xùn)練，再將測試集樣本輸入訓(xùn)練好的模型中，獲得起球等級客觀評定測試結(jié)果。取模型預(yù)測的起球等級與實際起球等級一致的測試集樣本數(shù)為Nc，測試集樣本總數(shù)為N，定義織物起球等級客觀評定準(zhǔn)確率，見式（1）。

子樣本大小對起球等級客觀評定準(zhǔn)確率的影響如圖8 所示?？梢钥闯?，尺寸為600 pixel×600 pixel 的子樣本集訓(xùn)練所得模型具有最高的評定準(zhǔn)確率，準(zhǔn)確率可達98.5%，這主要是因為小尺寸子樣本會導(dǎo)致毛球被分割開的概率增大，影響模型對毛球數(shù)量和大小分布的擬合結(jié)果；另外，子樣本尺寸越小其對應(yīng)的數(shù)據(jù)集樣本數(shù)量越多，容易發(fā)生過擬合；同樣，大尺寸子樣本所構(gòu)建的數(shù)據(jù)集數(shù)量較少，訓(xùn)練出的CNN 模型欠擬合，導(dǎo)致評定準(zhǔn)確率急劇下降。

圖8 子樣本尺寸對起球等級客觀評定準(zhǔn)確率的影響

子樣本大小為600 pixel×600 pixel 時，CNN模型中訓(xùn)練集的損失函數(shù)值以及測試集的損失函數(shù)值和測試集上的準(zhǔn)確率曲線如圖9 所示。在迭代次數(shù)為200 次左右時，模型快速趨于收斂，并在后續(xù)訓(xùn)練過程中保持穩(wěn)定，織物起球客觀評定準(zhǔn)確率始終保持在95%以上，這說明使用CNN模型來評定織物起球等級是可行的，并且可以達到實時性要求。

圖9 600 pixel×600 pixel 子樣本對應(yīng)的準(zhǔn)確率曲線

曹飛等人與周圓圓等人同樣使用精紡毛織物標(biāo)準(zhǔn)樣照作為研究對象，并利用頻域濾波去除了織物紋理分量，但他們并沒有提取整個圓形起球區(qū)域，而是針對圓形起球區(qū)域的最大內(nèi)接正方形部分進行分析。另外，其后續(xù)試驗主要利用基于圖像灰度值的閾值分割算法提取毛球的位置、面積等人工設(shè)計特征，并沒有給出所設(shè)計方法在大批量樣本情況下的準(zhǔn)確率。GUAN S Q 等人利用小波分解和閾值分割相結(jié)合的方法提取毛球的二值圖像，然后提取毛球的面、位置等信息，最后輸入BP 神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，最終的準(zhǔn)確率最高可達95%。相較而言，本研究所提方法等級評定準(zhǔn)確率最高達到了98.5%，并且不需要提取人工設(shè)計特征，而是利用CNN 強大的特征提取能力自動尋找樣本的最合適特征，精簡了圖像處理流程；適用于各種不同的織物起球等級評定，從而提高了泛化能力。

4 結(jié)論

本研究以精梳毛織物起球標(biāo)準(zhǔn)樣照作為研究對象，使用掃描儀完成了圖像掃描，運用Mat?lab 軟件完成了圓形起球區(qū)域的提取和織物紋理分量的濾除，運用Python 軟件實現(xiàn)了基于整個圓形起球區(qū)的子樣本分割采樣，在此基礎(chǔ)上，搭建基于CNN 的織物起球等級客觀評定模型，并研究了子樣本尺寸對評定準(zhǔn)確率的影響。分析結(jié)果表明，子樣本尺寸為600 pixel×600 pixel 時，評定準(zhǔn)確率可達98.5%，驗證了所提方法的可行性和有效性，但CNN 的泛化性還有待進一步研究。