徐平華， 冒海琳， 沈紅影， 丁雪梅

(1. 浙江理工大學(xué) 服裝學(xué)院， 浙江 杭州 310018； 2. 浙江省服裝工程技術(shù)研究中心， 浙江 杭州 310018； 3. 江蘇依海服飾有限公司， 江蘇 南通 226007； 4. 東華大學(xué) 服裝與藝術(shù)設(shè)計學(xué)院， 上海 200051)

織物外觀平整度體現(xiàn)了面料經(jīng)洗滌、烘干后的形狀保持性，被廣泛用于評價面料性能、整理效果、洗滌劑及洗護(hù)設(shè)備的護(hù)理性能等[1-2]。由于現(xiàn)有客觀評級方法的主客觀一致率偏低，當(dāng)前檢測機構(gòu)仍采用AATCC 124—2018《織物經(jīng)多次家庭洗滌后的外觀平整度測定》規(guī)定的人工方式評估折皺等級，然而，人工評級存在如評級精度低、穩(wěn)定性差、再現(xiàn)性弱等不足，極易引起貿(mào)易雙方的質(zhì)量糾紛[3-4]；因此，亟需建立客觀、準(zhǔn)確、快捷的客觀評級方法，以適應(yīng)精確檢測以及出入境快速通關(guān)的需求。

計算機視覺技術(shù)具有快速、無損、可重復(fù)等優(yōu)勢，在織物外觀平整度客觀評級方法研究中，研究人員利用計算機視覺技術(shù)，從織物折皺圖像或空間形貌入手，對織物的折皺形態(tài)特征進(jìn)行提取和分類[5-6]。在折皺信息提取方面，如空間域的局部或全局灰度波動信息[7-8]與起皺形態(tài)學(xué)信息、變換域的變異程度和統(tǒng)計信息以及空間形貌下折皺位置和高度信息等[9-10],研究人員對提煉的50余種特征進(jìn)行嘗試分類后，主客觀一致率未能大幅度提升，無法滿足平整度精確識別的檢測需求，至今仍未出現(xiàn)有效的商用檢測儀器[11-12]。其困難之處在于：折皺位置、尺度的不定性，標(biāo)準(zhǔn)樣板的弱覆蓋性，織物表面花型和色彩的干擾性等[5]。

本文針對面料整理效果、洗滌劑和洗護(hù)設(shè)備護(hù)理效果評價的現(xiàn)實需求，提出以純色織物為測試樣，在建立洗后織物折皺圖像數(shù)據(jù)庫的基礎(chǔ)上，利用融合多尺度圖像視覺編碼和多分類支持向量機的分類方法，實現(xiàn)洗后織物外觀平整度的自動評級，有效提升了主客觀一致率。

1 實驗樣本處理與圖像采集

1.1 樣本選擇與處理

本文旨在構(gòu)建一種能夠有效評價面料抗皺整理效果、洗滌劑和洗護(hù)設(shè)備護(hù)理效果的評價方法，面料材質(zhì)、表面色彩和花型不作考慮。實驗過程中，選擇市場常用的襯衫面料(廣東溢達(dá)紡織有限公司)作為本文實驗的測試樣本。面料成分為100%棉，組織結(jié)構(gòu)為平紋，經(jīng)密為567根/(10 cm)，緯密為283根/(10 cm)，經(jīng)、緯向紗線線密度均為14.6 tex,面密度為(128±5) g/m2。面料處理工藝為燒毛、退漿、煮練(不絲光、不軋光、不上漿、不上藍(lán)、不上增白劑)的半漂無抗皺整理白色織物，滿足GBT 406—2018《棉本色布》優(yōu)等品要求。表面均勻平整、紋路清晰、無油漬、黃斑和破損。

實驗過程中，選擇了海爾、小天鵝、松下等7家市面上常用的品牌洗衣機、烘干機和熨燙機。整個護(hù)理過程參照AATCC 124—2018及商家使用說明，除了采集標(biāo)準(zhǔn)提供的6塊立體標(biāo)準(zhǔn)樣板外，以實際洗滌、烘干或熨燙的織物折皺形態(tài)圖像作為實驗樣本，最終設(shè)計形成涵蓋9檔(1～5級，半級為1檔)，共計650種不同折皺形態(tài)的織物試樣。

1.2 織物折皺圖像采集

為了構(gòu)建統(tǒng)一、穩(wěn)定的圖像采集環(huán)境，本文實驗自行設(shè)計了織物采集箱體?？椢飯D像采集箱體見圖1，包含了箱體結(jié)構(gòu)框架、抽拉式載物臺、工業(yè)相機等。

圖1 織物圖像采集箱體Fig.1 Hardware of image acquisition

其中，相機為TXG50型黑白CCD工業(yè)相機(德國BAUMER電氣有限公司)，其具有高速、高靈敏度、超低噪聲和大視場等優(yōu)勢。利用該圖像采集裝置采集了650幅織物折皺圖像，圖像大小為2 448像素×2 050像素。載物臺大小為50 cm×50 cm，載物臺劃線區(qū)域大小為38 cm×38 cm。箱體采用黑色亞克力板材，內(nèi)壁為深灰涂層。內(nèi)置光源為雙排LED條形光源的OPPLE T5燈管(歐普照明股份有限公司)。

部分織物試樣圖像如圖2所示?？椢锝?jīng)圖像采集后，對相機進(jìn)行標(biāo)定、圖像矯正，將原始圖像按照載物臺劃線區(qū)域大小分割處理形成類似圖2的織物圖像。

圖2 部分織物試樣圖像Fig.2 Partial fabric sample images. (a) Grade 1; (b) Grade 1.5; (c) Grade 2 (d) Grade 2.5;(e) Grade 3; (f) Grade 3.5; (g) Grade 4; (h) Grade 4.5; (i) Grade 5

2 織物折皺特征編碼

2.1 D-SIFT特征提取

為了模擬人眼在觀測面料外觀形態(tài)時由遠(yuǎn)及近的聚焦過程[13]，本文利用圖像尺度變換，可獲得不同分辨率下的折皺圖像。如假設(shè)原始圖像尺度為m×m，分別縮小至原始尺寸的1/4、1/16大小，可形成三級尺度圖像。

圖像特征變換(dense scale invariant feature transform，D-SIFT)在目標(biāo)分類和場景分類中有重要應(yīng)用，能夠?qū)斎雸D像進(jìn)行分塊SIFT特征提取。所謂SIFT特征，是指對劃定區(qū)域每個像素的SIFT特征[14]進(jìn)行提取。D-SIFT根據(jù)可調(diào)的參數(shù)大小，來適當(dāng)滿足不同分類任務(wù)下對圖像特征的表征能力；而傳統(tǒng)的SIFT算法僅對整幅圖像進(jìn)行處理，得到一系列特征點。檢測窗口數(shù)N可由式(1)算出。D-SIFT特征提取實現(xiàn)路徑見圖3，可分別提取同一樣本3個不同尺度圖像的D-SIFT特征。(圖中右側(cè)框型內(nèi)每個小方塊代指檢測出的D-SIFT特征)

(1)

式中：m′為泛指任意一圖像的尺寸，像素；p為采樣窗口寬度，設(shè)定為16像素；v為步進(jìn)大小，設(shè)定為6像素；? 」表示向下取整。

注：m表示原圖像尺寸；t表示圖像移動的距離。圖3 D-SIFT特征提取實現(xiàn)路徑Fig.3 Pipeline of D-SIFT feature extraction

窗口以t個像素間隔滑動，在計算每個窗口內(nèi)中心點的SIFT特征時，將窗口均分劃分為16個矩形單元，每個單元梯度方向數(shù)為8，因此中心點形成128維度的特征向量。對于1幅大小為m′×m′的圖像，經(jīng)處理得到N個128維的特征向量，因此，如圖3所示，同一樣本的3個不同尺度圖像，利用窗口滑動計算各自的D-SIFT特征序列；再將圖3右側(cè)3個框型內(nèi)D-SIFT特征依次串聯(lián)后，構(gòu)建為有序D-SIFT陣列，用以表示該樣本的底層特征。

2.2 特征編碼

詞袋模型(bag-of-words, BOW)[15]近年來在圖像分類和識別領(lǐng)域被廣泛應(yīng)用。利用無序局部區(qū)域描述子集合，將圖像表示成離散化的“視覺詞匯”，繼而統(tǒng)計每類圖像“視覺詞匯”頻次，構(gòu)建該類專屬的“視覺字典”。對于織物折皺而言，AATCC 124—2018《織物經(jīng)多次家庭洗滌后的外觀平整度測定》劃分出5級9檔，利用D-SIFT可構(gòu)建出9類專屬“視覺字典”，但因BOW是基于無序“視覺詞匯”構(gòu)建的1幅圖像，失去了特征空間關(guān)系這一重要信息[15]，不利于描述對折皺形態(tài)描述。為彌補這一缺陷，在圖像尺度變換實現(xiàn)窗口多尺度放縮的基礎(chǔ)上，利用線性排列方式，將特征進(jìn)行按序排列。

進(jìn)一步地，需要對現(xiàn)有冗余特征進(jìn)行降維，構(gòu)建具有較強代表性的“視覺詞典”。由式(2)～(4)可計算最優(yōu)的稀疏U值以及該類別的視覺詞匯W解。

?g=1,2,…，G

(2)

X=[x1,x2,…，xi]∈RM×D

(3)

W=[w1,w2,…,wg]T

(4)

式中：U表示最優(yōu)稀疏值；X為D-SIFT特征向量的集合；xi為X中的第i個特征；λ為調(diào)節(jié)系數(shù)；ui為第i維度的詞匯系數(shù)；W為“視覺詞典”；wg為第g個“視覺詞匯”；G為詞匯數(shù)量；‖·‖為L2范數(shù)，可約束結(jié)果至平凡解；M、D分別為二維特征向量的縱橫向尺度，單位為像素。

通過對訓(xùn)練樣本特征進(jìn)行迭代訓(xùn)練，形成各級最優(yōu)視覺詞匯庫和編碼系數(shù)，作為該等級分類判定的依據(jù)。

3 外觀平整度客觀等級評定與驗證

3.1 客觀等級評定

首先，提取測試圖像D-SIFT特征，獲得稠密的SIFT點，其次，利用式(2)對其視覺詞匯進(jìn)行降維優(yōu)化，形成該圖像的視覺詞匯包，利用最大值池化的方式[16-17]，構(gòu)建出該測試圖像的稀疏融合特征，用以表征測試樣本。

支持向量機是一種基于統(tǒng)計學(xué)習(xí)理論的機器學(xué)習(xí)方法,因其可以避免過擬合的優(yōu)越性質(zhì)現(xiàn)已廣泛應(yīng)用于人工智能的各個領(lǐng)域。假設(shè)訓(xùn)練集X的特征向量為xi,i=1,2,…,N，通過線性分類器在n維的數(shù)據(jù)空間中尋找1個超平面進(jìn)行特征分類。在等級評定階段，首先判定測試樣本的初始等級，初始等級精度為0.5級。其次，利用多分類支持向量機，采用一對多的方式構(gòu)建n×(n-1)/2個分類器，即通過36次分類計算實現(xiàn)9檔的初始判定。核函數(shù)是一種特征空間的隱式映射，通過將數(shù)據(jù)映射到高維空間來解決在原始空間中線性不可分的問題。在設(shè)定支持向量機的核函數(shù)時，結(jié)合池化出來的特征，可構(gòu)建可函數(shù)，形式見式(5)。

(5)

(6)

至此，當(dāng)檢測來樣時，判定其外觀平整度等級精度為0.5級。進(jìn)一步依據(jù)線性距離關(guān)系，將各檔之間劃分為5個區(qū)域，控制精度為0.1級，依據(jù)距離落地位置，二次優(yōu)化判定結(jié)果，形成精度為0.1級的平整度客觀等級。

3.2 主客觀一致率驗證

依據(jù)GB/T 13769—2009 《紡織品 評定織物經(jīng)洗滌后外觀平整度的試驗方法》，實驗邀請3名行業(yè)內(nèi)專家，對照標(biāo)準(zhǔn)樣照，各自獨立評定織物外觀平整度等級，將專家評定結(jié)果算術(shù)平均后記為試樣的主觀評級等級。

文中提及的主客觀一致率，指專家評定結(jié)果平均值與儀器評定結(jié)果的偏差絕對值小于或等于0.5級，記為“一致”；偏差絕對值大于0.5級，記為“不一致”。主客觀一致率計算方法見式(7)。

(7)

式中：C為主客觀一致率，%；n為“一致”數(shù)量，即統(tǒng)計的主客觀等級偏差絕對值小于等于0.5的試樣數(shù)量；A為測試樣本總數(shù)。

4 實驗結(jié)果

評級專家對650張洗后織物樣本進(jìn)行人工評級，同時利用設(shè)計的箱體對以上試樣進(jìn)行圖像采集、圖像切割處理，形成38 cm×38 cm的可視區(qū)域圖像。

4.1 折皺等級視覺詞匯庫構(gòu)建

利用上述稀疏編碼算法，實現(xiàn)圖像子庫的視覺詞匯提取。以各檔樣本量50幅訓(xùn)練圖像為例，圖4示出各檔視覺詞匯可視化結(jié)果，其中任意小方格為1個詞匯，其維度為128，各維度在該子庫下均有對應(yīng)的投影系數(shù)。

圖4 視覺特征編碼詞匯Fig.4 Visual feature coding vocabulary.(a) Grade 1;(b) Grade 1.5; (c) Grade 2; (d) Grade 2.5; (e) Grade 3;(f) Grade 3.5; (g) Grade 4; (h) Grade 4.5; (i) Grade 5

按照每檔出現(xiàn)的頻率高低分布，提取了前1 024個關(guān)鍵詞匯(見圖4(a))。視覺特征編碼詞匯圖如圖4(b)～(i)所示，分別為1.5～5級代表性視覺詞匯可視化效果。

4.2 主客觀一致率分析

稀疏編碼算法所獲得的“超完備”基向量可高效地表示樣本數(shù)據(jù)，重建性能好，但如何確定每個級別的最小樣本量，對于本文實驗仍具有重要的意義。本文采用樣本遞增的方式，通過主客觀一致率遞進(jìn)趨勢明確最小樣本量。

在數(shù)據(jù)訓(xùn)練和驗證環(huán)節(jié)，將以上650幅折皺織物圖像分為2大類。第1類共計450幅圖像，按照人工評級的均值，在1～5級(0.5級為1檔)之間每檔篩選出50幅圖像(允差控制為±0.2級)作為訓(xùn)練樣本。余下的200幅圖像作為第2類圖像，即經(jīng)過篩選后所剩的圖像，作為驗證樣本。1～5級各檔對應(yīng)的測試樣本數(shù)量分別為：30、30、30、30、30、20、10、10、10。

具體地，每檔訓(xùn)練樣本量分別設(shè)置為5、10、15、20、25、30、35、40、45、50。以等級2.5、訓(xùn)練樣本量20為例，首先從該級的50幅圖像子庫中隨機選取20幅圖像。類似地，9檔共計選取了180幅圖像作為訓(xùn)練樣本進(jìn)行測試。按此方式，對于每類樣本量，均作5次隨機選取驗證樣本進(jìn)行測試。當(dāng)樣本量上升至50次時，由于最大訓(xùn)練樣本同為50，不再作隨機抽取處理。

圖5示出不同訓(xùn)練樣本量下的主客觀一致率。除訓(xùn)練樣本量為450張外，每個樣本量5個柱值對應(yīng)于5次隨機抽樣下的主客觀一致率。折線控制點為該樣本量下的主客觀一致率均值及標(biāo)準(zhǔn)誤差量。由圖可知，隨著樣本量的增長，主客觀一致率逐步提升。當(dāng)各檔訓(xùn)練樣本為45張，訓(xùn)練樣本總量為405張時，主客觀一致率為95.08%，均值標(biāo)準(zhǔn)誤差最小，5次評級結(jié)果趨于穩(wěn)定。當(dāng)訓(xùn)練樣本總量為450張時，主客觀一致率為95.10%，主客觀高度一致。

圖5 主客觀評價一致率驗證結(jié)果Fig.5 Output of sub-obj rating consistency

此外，本文實驗所用計算機CPU為2.9 GHz，RAM為8 G，實驗樣本對應(yīng)的測試圖像大小為1 750像素×1 750像素，單張驗證樣本檢測時間均小于6 s。

5 結(jié) 論

織物折皺特征提取及評級算法的有效性，是決定主客觀評價一致率的關(guān)鍵因素。本文在模擬人工評級過程中專家視覺聚焦機制的基礎(chǔ)上，提出利用圖像稀疏編碼技術(shù)，對多尺度圖像詞匯特征進(jìn)行篩選和優(yōu)化。以可視化的特征視覺詞匯再現(xiàn)了織物外觀折皺形態(tài)；在此基礎(chǔ)上，利用多分類支持向量機分類算法，實現(xiàn)了織物表觀折皺的1至5級(0.5級為1檔)的客觀評級。在最低有效訓(xùn)練樣本的確定中，采用遞增訓(xùn)練樣本量的方式，評估樣本量對主客觀一致率支撐作用。實驗結(jié)果表明在各檔最小樣本量為50幅時，主客觀一致率達(dá)到95.10%，一致率趨于穩(wěn)定，單張樣本檢測速度小于6 s，滿足當(dāng)前織物外觀平整度的商用檢測需求。