模拟实际着装的织物折皱测试及等级评价方法研究

摘要

织物在穿着和洗涤护理的过程中，由于揉搓、挤压、拧绞、扭曲等外力而产生折痕或皱纹的现象称为折皱或起皱，抵抗折皱形变的能力称为织物的抗皱性。抗皱牲不仅是织物的基本服用性能，也是影响服装外观与档次的重要性能。因此对织物抗皱性进行客观、准确地测试和评价就显得异常重要。然而现有的织物抗皱性测试的各种方法存在诸多问题，测试过程中织物所处的状态、受力方向、发生的变形等与实际着装时差异甚大，即现有韵测试方法不能真实评价织物做成服装后实际穿着过程中的抗皱能力。
　　针对这一现状，本文提出一种模拟实际着装的织物抗皱性测试新方法，搭建了测试装置，并利用图像处理技术对模拟装置产生的折皱进行了分析，提取了折皱密度、灰度共生矩阵以及小波特征参数，进而基于信息融合技术，将这些指标融合成一个综合折皱指标，最后利用这些特征对织物折皱等级的聚类方法以及利用神经网络技术对折皱等级进行分类识别的算法进行了研究，研究结果如下:
　　1)构建的织物抗皱性测试装置产生韵折皱无论在外观形态上，还是在专家主观评价结果上（包括起皱程度的排序、评分以及折皱等级）都与实际着装法具有良好的一致性;且其测试稳定性比现有的折皱回复角法更好。
　　2)针对折皱回复角法测试时只考虑织物经纬向所带来的片面性以及对经纬向赋予相同权重所引起的欠合理性，提出应该增加45°折皱回复角的测试，并提高织物经向抗皱性的权重，以提高检测结果与实际着装的吻合度，并建立了折皱密度与不同方向折皱回复角的模型，根据此模型可由折皱回复角预测实际着装时服装的折皱程度，无需经过工作量巨大的服装制作及实际着装实验。
　　3)利用图像处理技术，对新方法产生的折皱进行了特征提取与纹理分析，得到:织物折皱灰度图像经Sobel边缘检测提取的折皱密度与专家视觉评分之间存在较好的一致性，织物经向折皱回复角与折皱密度的相关系性大于纬向，且斜向折皱回复性对实际着装时织物的抗皱能力起重要作用;越平整的织物，灰度共生矩阵的能量和相关性越大，熵和惯性矩越小，且与织物折皱程度相关性由大到小依次是:熵、能量、相关性和惯性矩;折皱越严重的织物经小波分解后的三个方向（水平、垂直、斜向）的细节系数标准差越大，随分解层数的增加，细节系数标准差呈明显的递增趋势，折皱越严重韵织物，增加速度越快，且水平方向的细节系数标准差明显大于垂直和斜向标准差。
　　4)利用信息融合技术，将折皱密度WD，总熵Entropy,小波分解一层时的水平细节系数标准差SH1这三项指标进行数据融合，得到了织物综合折皱指标CWI，通过秩相关系数的检验，得到根据CWI数值进行的排序与专家主观排序之间具有良好的一致性，且这一综合指标比三项单一指标能更客观、更全面地评价织物折皱。
　　5)以WD，Entropy，SH1三项指标和以CWI这一综合折皱指标为特征，对织物进行了三种方法的聚类分析:从指标选取来看，进行k-均值聚类以及自组织特征映射SOM网络聚类时，用CWI为特征的聚类结果好于以三项单独指标为特征，说明CWI比这三者对织物折皱的表征更符合视觉观察的结果;从聚类方法来看，SOM神经网络的聚类结果与主观评价结果的一致性好于系统聚类和k-均值聚类。
　　6)以WD，Entropy, SH1以及CWI为特征，分别利用LVQ和PNN神经网络对织物折皱等级进行了分类识别，结果表明:特征向量中增加综合折皱指标CWI可以使LVQ和PNN神经网络的预测准确率有不同程度的提高;且将LVQ与PNN串联后组成的LVQ-PNN混合神经网络比单一的LVQ和PNN神经网络的识别率有较显著的提高。
　　本文提出的模拟实际着装的织物抗皱性测试方法在一定程度上弥补了现有测试方法的不足，可有效提高测试结果与实际着装时折皱情况的吻合度，同时也为纺织品检验领域提供了新手段，还可以根据测试结果指导面料设计，减少服装加工中面料的错误使用带来的浪费;同时，本文基于图像处理和模式识别技术，实现织物抗皱能力的客观评定和自动识别，符合当前信息化发展的趋势和方向，有助于促进计算机在线检测技术的发展和实现。

目录

声明

摘要

第一章 绪论

1．1 研究背景

1．2 国内外研究现状

1．2．1 织物抗皱性的测试与评价方法

1．2．2 图像处理技术在织物平整度评价中的应用

1．2．3 激光测量技术在织物平整度等级评价中的应用

1．2．4 研究现状分析与总结

1．3 论文的研究内容及意义

1．3．1 研究内容

1．3．2 研究意义

参考文献

第二章 织物折皱回复角测试稳定性分析

2．1 引言

2．2 折皱回复角测试

2．2．1 织物的选取

2．2．2 测试仪器及测试角度

2．3 结果及分析

2．3．1 测试稳定性分析

2．3．2 测试误差原因分析

2．4 本章小结

参考文献

第三章 模拟实际着装的织物起皱方法

3．1 引言

3．2 装置结构及起皱方法

3．2．1 装置结构

3．2．2 起皱方法

3．3 实际着装起皱的对比实验

3．3．1 实验服的选取、制作及试穿

3．3．2 起皱程度的主观评价

3．4 结果与分析

3．4．1 两种起皱方法的主观评价得分、等级及排序

3．4．2 两种主观评价的一致性检验

3．4．3 两种方法起皱结果的对比与分析

3．5 本章小结

参考文献

第四章 基于图像特征的织物折皱纹理分析

4．1 引言

4．2 折皱密度

4．2．1 利用二值图像提取折皱密度

4．2．2 利用灰度图像提取折皱密度

4．2．3 结果与分析

4．3 灰度共生矩阵

4．3．1 灰度共生矩阵概述

4．3．2 结果与分析

4．4 小波分析

4．4．1 小波分析简介

4．4．2 基于小波分析的织物折皱特征提取

4．4．3 结果与分析

4．5 基于信息融合技术的织物综合折皱指标

4．5．1 信息融合技术及织物综合折皱指标

4．5．2 结果与分析

4．6 本章小结

参考文献

第五章 织物折皱等级的聚类方法研究

5．1 引言

5．2 系统聚类

5．2．1 系统聚类概述

5．2．2 系统聚类在织物折皱等级分析中的应用

5．3 K-均值聚类

5．3．1 基本思想

5．3．2 K-均值聚类在织物折皱等级分析中的应用

5．4 SOM神经网络聚类分析

5．4．1 原理及特点

5．4．2 SOM网络在织物折皱聚类分析中的应用

5．5 本章小结

参考文献

第六章 基于神经网络的织物折皱等级识别

6．1 人工神经网络简介

6．2 基于LVQ神经网络的织物折皱等级识别

6．2．1 LVQ神经网络简介

6．2．2 LVQ神经网络用于织物折皱等级识别

6．3 基于PNN神经网络的织物折皱等级识别

6．3．1 PNN神经网络简介

6．3．2 PNN神经网络用于织物折皱等级识别

6．4 基于LVQ-PNN混合神经网络的织物折皱等级识别

6．4．1 混合神经网络设计

6．4．2 混合神经网络用于织物折皱等级识别

6．5 本章小结

参考文献

第七章 结论与展望

7．1 结论

7．2 创新点

7．3 不足与展望

附录

致谢

攻读博士学位期间获得的成果