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(huì)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(dòng)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(shí)脫落，將會(huì)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(huì)影響織物的接觸舒適度，最終導(dǎo)致織物使用價(jià)值下降。隨著消費(fèi)者對(duì)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(lái)越受到重視。

隨著計(jì)算機(jī)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(jí)客觀評(píng)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(duì)毛球的位置和面積進(jìn)行統(tǒng)計(jì)，進(jìn)而實(shí)現(xiàn)起球等級(jí)評(píng)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(jìn)行等級(jí)評(píng)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(jī)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(bào)道中被證明在計(jì)算機(jī)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(jí)客觀評(píng)定方法，對(duì)精梳毛織物起球標(biāo)準(zhǔn)樣照進(jìn)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(yàn)證了所提方法的可行性，并研究了子樣本尺寸對(duì)起球等級(jí)評(píng)定準(zhǔn)確率的影響。

1 標(biāo)準(zhǔn)樣照?qǐng)D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(cè)定第2 部分：改型馬丁代爾法》）共有5 個(gè)等級(jí)，從一級(jí)到五級(jí)起球數(shù)量依次減少，每個(gè)等級(jí)包含一張標(biāo)準(zhǔn)樣照且所有等級(jí)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(gè)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(duì)標(biāo)準(zhǔn)樣照進(jìn)行掃描，考慮采集對(duì)象的實(shí)際尺寸為11.5 cm，選用600 dpi 的分辨率，可計(jì)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(jí)評(píng)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(jí)的圖像處理研究中，還沒有針對(duì)圓形起球區(qū)域進(jìn)行采樣的報(bào)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(huì)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(píng)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。考慮到起球區(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(jì)算可得圓形起球區(qū)域半徑對(duì)應(yīng)的像素為1 063 pixel。以五級(jí)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(jí)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?qǐng)A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(jí)的客觀評(píng)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(huì)引入無(wú)關(guān)干擾項(xiàng)，進(jìn)而影響后續(xù)CNN 模型的測(cè)試準(zhǔn)確率，因此需要將織物紋理濾除。

主要過程：對(duì)上述步驟提取得到的起球區(qū)域圖像進(jìn)行快速傅里葉變換獲得頻譜圖，并繪制對(duì)應(yīng)的三維頻譜，分別如圖4（a）和圖5 所示，其中的亮點(diǎn)對(duì)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(duì)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?qǐng)D像太大，不適合直接輸入CNN 模型進(jìn)行訓(xùn)練，因此需要對(duì)原始圖像進(jìn)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(zhǎng)有重疊采樣，縱向采用不重疊采樣，每個(gè)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(gè)特征圖，而每個(gè)特征圖對(duì)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(gè)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(jì)的CNN 模型包含3個(gè)卷積層和2 個(gè)全連接層，選用目前學(xué)術(shù)界常用的PyTorch 框架進(jìn)行搭建。在訓(xùn)練階段，CNN 使用訓(xùn)練集樣本對(duì)應(yīng)的起球等級(jí)標(biāo)簽訓(xùn)練模型，在測(cè)試階段則利用訓(xùn)練好的模型對(duì)測(cè)試集中未知標(biāo)簽樣本的起球等級(jí)進(jìn)行預(yù)測(cè)。

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(xì)描述了按照這4種不同大小進(jìn)行采樣所構(gòu)建的訓(xùn)練集、測(cè)試集樣本數(shù)量。

表2 訓(xùn)練集、測(cè)試集樣本數(shù)量

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

子樣本大小對(duì)起球等級(jí)客觀評(píng)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(píng)定準(zhǔn)確率，準(zhǔn)確率可達(dá)98.5%，這主要是因?yàn)樾〕叽缱訕颖緯?huì)導(dǎo)致毛球被分割開的概率增大，影響模型對(duì)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(duì)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(píng)定準(zhǔn)確率急劇下降。

圖8 子樣本尺寸對(duì)起球等級(jí)客觀評(píng)定準(zhǔn)確率的影響

子樣本大小為600 pixel×600 pixel 時(shí)，CNN模型中訓(xùn)練集的損失函數(shù)值以及測(cè)試集的損失函數(shù)值和測(cè)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(shí)，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(píng)定準(zhǔn)確率始終保持在95%以上，這說明使用CNN模型來(lái)評(píng)定織物起球等級(jí)是可行的，并且可以達(dá)到實(shí)時(shí)性要求。

圖9 600 pixel×600 pixel 子樣本對(duì)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(duì)象，并利用頻域?yàn)V波去除了織物紋理分量，但他們并沒有提取整個(gè)圓形起球區(qū)域，而是針對(duì)圓形起球區(qū)域的最大內(nèi)接正方形部分進(jìn)行分析。另外，其后續(xù)試驗(yàn)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(jì)特征，并沒有給出所設(shè)計(jì)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(jìn)行訓(xùn)練，最終的準(zhǔn)確率最高可達(dá)95%。相較而言，本研究所提方法等級(jí)評(píng)定準(zhǔn)確率最高達(dá)到了98.5%，并且不需要提取人工設(shè)計(jì)特征，而是利用CNN 強(qiáng)大的特征提取能力自動(dòng)尋找樣本的最合適特征，精簡(jiǎn)了圖像處理流程；適用于各種不同的織物起球等級(jí)評(píng)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(duì)象，使用掃描儀完成了圖像掃描，運(yùn)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(yùn)用Python 軟件實(shí)現(xiàn)了基于整個(gè)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(jí)客觀評(píng)定模型，并研究了子樣本尺寸對(duì)評(píng)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(shí)，評(píng)定準(zhǔn)確率可達(dá)98.5%，驗(yàn)證了所提方法的可行性和有效性，但CNN 的泛化性還有待進(jìn)一步研究。