孫思晴　劉成霞　鄭曉萍

摘要：針對(duì)目前缺乏實(shí)際著裝起皺的客觀評(píng)價(jià)方法，文章選取35塊機(jī)織試樣，根據(jù)中間體型繪制合體褲裝樣板并縫制，模擬日?；顒?dòng)中褲子腘窩處的起皺過(guò)程，獲取折皺圖像并進(jìn)行主觀評(píng)價(jià)，制作圖像標(biāo)簽。利用SURF提取圖像特征并對(duì)不同等級(jí)的圖像兩兩組合進(jìn)行K-means聚類，校正圖像標(biāo)簽。設(shè)計(jì)一種基于多尺度卷積的著裝平整度客觀評(píng)價(jià)模型，利用多尺度卷積操作對(duì)輸入的折皺圖像進(jìn)行不同范圍的特征提取并進(jìn)行特征融合，輸出著裝平整度的等級(jí)預(yù)測(cè)結(jié)果。研究結(jié)果表明：該模型的預(yù)測(cè)準(zhǔn)確率達(dá)92.69%，優(yōu)于CNN、BP方法的分類效果。

關(guān)鍵詞：著裝平整度;主觀評(píng)價(jià);客觀評(píng)價(jià);深度學(xué)習(xí);多尺度卷積

中圖分類號(hào)：TS941.2

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：10017003（2021）04004305

Abstract：Inviewofthelackofobjectiveevaluationmethodforactualwearingwrinkle，35wovensampleswereselectedandfittedpantsamplesweredrawnandsewn，accordingtoaveragephysique.Thewrinklingprocessofpoplitealspaceofpantsindailyactivitieswassimulated，wrinklingimageswereobtained，subjectiveevaluationwasconductedandimagetagsweremade.SURFwasemployedtoextractimagefeatures，imagesofdifferentgradeswerecombinedpairwiseforK-meansclusteringandimagelabelswerecorrected.Anobjectiveevaluationmodelontheflatnessofpoplitealspacebasedonmulti-scaleconvolutionwasdesigned，whichextractedfeaturesfromdifferentrangesofwrinkleimagesthatwereinputusingmulti-scaleconvolution，featureswerefused，andthenpredictionresultsoftheflatnessofwearingwereoutput.Theresearchresultsindicatedthatthepredictionaccuracyofthemodelwas92.69%，whichwasbetterthantheclassificationeffectofCNNandBPmethods.

Keywords：wearingwrinkle;subjectiveevaluation;objectiveevaluation;deeplearning;multi-scaleconvolution

作者簡(jiǎn)介：孫思晴（1995），女，碩士研究生，研究方向?yàn)榧徔椃b檢測(cè)技術(shù)。通信作者：劉成霞，教授，glorior_liu@163.com。

服裝外觀性能如縫紉平整度、洗后平整度、服裝褶裥等的客觀評(píng)級(jí)一直是紡織品檢測(cè)領(lǐng)域的研究熱點(diǎn)。目前，主要采用標(biāo)樣對(duì)照法對(duì)織物平整度進(jìn)行等級(jí)評(píng)價(jià)，但該方法對(duì)環(huán)境要求高，且實(shí)時(shí)性差、易受心理因素影響，有諸多不確定性。因此，眾多國(guó)內(nèi)外學(xué)者致力于研究客觀有效的織物平整度評(píng)估方法。

隨著計(jì)算機(jī)技術(shù)的發(fā)展，針對(duì)織物平整度等級(jí)的客觀評(píng)價(jià)方法研究主要集中在圖像處理技術(shù)、三維掃描、三維建模等?；诙S圖像的評(píng)價(jià)主要利用圖像灰度信息，如描述性統(tǒng)計(jì)[1]、傅里葉變換[2]、小波變換[3]、灰度共生矩陣[4]、分形維數(shù)[5]等來(lái)描述織物的平整程度。但該方法要求特定的圖像采集環(huán)境，且無(wú)法對(duì)復(fù)雜圖案的織物進(jìn)行評(píng)價(jià)?；谌S圖像的評(píng)價(jià)主要通過(guò)三維掃描技術(shù)[6]、光度立體視覺(jué)法[7]、陰影恢復(fù)重建算法[8]等方法獲得織物三維表面形態(tài)或三維點(diǎn)云坐標(biāo)，提取能反映織物平整程度的特征指標(biāo)。但該方法成本高、實(shí)時(shí)性差、部分三維重建技術(shù)易受織物圖案影響，且對(duì)圖像采集環(huán)境要求較高。

然而，目前對(duì)織物平整度的研究主要針對(duì)洗護(hù)后的起皺程度，對(duì)著裝起皺研究較少。劉成霞[9]構(gòu)建了一模擬實(shí)際著裝起皺的裝置，并利用數(shù)字圖像處理技術(shù)建立了服裝關(guān)節(jié)部位抗皺性的評(píng)價(jià)方法;陳麗麗[10]以實(shí)際著裝起皺圖像為研究對(duì)象，探究了用灰度共生矩陣客觀評(píng)價(jià)著裝平整度的可行性。眾所周知，著裝起皺更影響服裝的美觀性，且著裝起皺更能反映織物整體抗皺性的強(qiáng)弱，因此對(duì)其研究更加重要。本文以實(shí)際著裝過(guò)程中的折皺為研究對(duì)象，基于多尺度卷積建立評(píng)價(jià)模型，以期實(shí)現(xiàn)著裝平整度的客觀評(píng)定。

1 折皺圖像數(shù)據(jù)集的建立

1.1 試樣的選取

收集了市面上常見(jiàn)的35種純色機(jī)織褲裝面料，織物厚度、顏色、抗皺性和組織結(jié)構(gòu)均不相同，原料包含棉、麻、絲、毛及化纖等。市場(chǎng)上的面料千差萬(wàn)別，層出不窮。本文也很難在有限的篇幅和研究時(shí)間內(nèi)，窮盡所有的面料，只能管中窺豹，通過(guò)有限的面料探索一種評(píng)價(jià)方法。

1.2 實(shí)驗(yàn)樣褲制作及圖像采集

褲子由于膝蓋的頻繁彎曲，易在穿著過(guò)程中出現(xiàn)大量折皺，因此本文選擇褲子腘窩處的折皺為研究對(duì)象，實(shí)驗(yàn)環(huán)境為溫度（20±2）℃、相對(duì)濕度（65±3）%。選擇一名中間體型的女性作為被試者，身高160cm、腰圍70cm，根據(jù)被試者體型繪制合體褲裝樣板并縫制實(shí)驗(yàn)樣褲，所有工藝均由同一人在同一機(jī)器上完成。

樣褲熨燙平整后由被試者進(jìn)行穿著起皺。穿著動(dòng)作包括靜坐5min（膝彎屈成直角）、勻速爬樓5min（膝彎屈成鈍角）、下蹲5min（膝彎屈成銳角）。之后將褲子小心脫下，利用圖1中的裝置對(duì)腘窩處的折皺進(jìn)行圖像采集，該裝置由佳能700D相機(jī)（日本佳能），條形光源、支架、載樣臺(tái)（實(shí)驗(yàn)室自備）等組成。由于褲子折皺多為橫向或斜向折痕，因此采用單側(cè)條形斜向光源對(duì)其照射，使光線與織物表面形成一定的入射角度，經(jīng)織物凹凸不平的表面形成漫反射，使圖像呈現(xiàn)明暗變化。為防止其他光線的干擾，圖像采集過(guò)程在暗室中進(jìn)行。因考慮折皺多集中在中襠線下部，因此選取兩褲腿中襠線向上5cm至向下15cm為折皺獲取部位并作標(biāo)記。在載樣臺(tái)上標(biāo)記20cm×20cm的正方形區(qū)域?yàn)榕臄z區(qū)域，獲取圖像時(shí)使褲腿的標(biāo)記線和正方形的兩邊重合，后用Photoshop軟件截取區(qū)域內(nèi)折皺圖像。

由于卷積神經(jīng)網(wǎng)絡(luò)所需樣本量較大，加上褲子起皺部位因面料差異具有不同的折皺表現(xiàn)，因此為增加數(shù)據(jù)集，對(duì)35條樣褲12h內(nèi)的折皺變化過(guò)程進(jìn)行圖像采集?？紤]到一般

情況下折皺回復(fù)過(guò)程由快變緩后趨于穩(wěn)定的實(shí)際情況，因此在35條樣褲起皺實(shí)驗(yàn)后的15min、30min、45min、1h、1.5h、2h、2.5h、3h、3.5h、4h、5h、6h、7h、8h、9h、10h、11h、12h共18個(gè)時(shí)刻對(duì)褲子起皺部位進(jìn)行拍攝，每條樣褲有左右2條褲腿，因此35條樣褲共得到1260張折皺圖像。

1.3 主觀評(píng)價(jià)

如前所述，現(xiàn)有的平整度評(píng)級(jí)標(biāo)樣主要針對(duì)洗后平整度，不適用于著裝平整度，即目前尚未有直接用于評(píng)價(jià)實(shí)際著裝起皺的標(biāo)樣，因此采用專家評(píng)價(jià)法對(duì)褲子的起皺程度進(jìn)行評(píng)定。請(qǐng)10位紡織行業(yè)專家對(duì)1260張折皺圖像進(jìn)行等級(jí)評(píng)定，將其分為5個(gè)等級(jí)：1級(jí)折皺數(shù)量多且折痕深;2級(jí)折皺數(shù)量較少、折痕較深;3級(jí)折皺數(shù)量較多但折痕較淺;4級(jí)折皺數(shù)量較少、折痕較淺;5級(jí)幾乎無(wú)折皺，如圖2所示。評(píng)價(jià)步驟為：專家提前15min進(jìn)入實(shí)驗(yàn)室，熟悉環(huán)境和評(píng)判規(guī)則，對(duì)所有折皺圖像進(jìn)行總體了解。雖然折皺圖像較多，但樣褲最初的70張折皺圖像反映了不同織物的折皺數(shù)量，隨后的圖片則反映了同一織物隨時(shí)間的推移，折皺深淺的變化情況。因此，將每一條褲子的折皺圖像單獨(dú)列入一個(gè)文件夾，請(qǐng)專家先對(duì)35條樣褲最初的折皺圖像進(jìn)行排序，粗分為折皺數(shù)量較多和較少兩類，再根據(jù)折皺深淺程度對(duì)其進(jìn)行等級(jí)劃分。初步等級(jí)評(píng)定后，再進(jìn)行仔細(xì)對(duì)比和調(diào)整，確定折皺等級(jí)，最后取10名專家評(píng)級(jí)結(jié)果的平均值作為該織物的最終等級(jí)，并根據(jù)評(píng)級(jí)結(jié)果制作樣本標(biāo)簽。

1.4 基于K-means的數(shù)據(jù)集校正

由于主觀評(píng)價(jià)具有一定的不確定性和不穩(wěn)定性，專家可能對(duì)同一張折皺圖像存在爭(zhēng)議，求取平均值的方式不適合用于存在爭(zhēng)議的折皺圖像，因此采用無(wú)監(jiān)督的方法對(duì)評(píng)級(jí)結(jié)果進(jìn)行校正。

選擇K-means算法對(duì)數(shù)據(jù)集的標(biāo)簽進(jìn)行校正，其主要通過(guò)設(shè)定初始聚類數(shù)目和聚類中心，根據(jù)特定的距離公式進(jìn)行相似性度量，不斷迭代重新得到數(shù)據(jù)聚類中心，并對(duì)數(shù)據(jù)集進(jìn)行劃分，得到聚類結(jié)果。

SURF算法使用圖像金字塔構(gòu)造不同的尺度空間，具有尺度不變性、旋轉(zhuǎn)不變性，還具有良好的抗光照及抗噪能力，因此本文通過(guò)SURF算法對(duì)折皺圖像進(jìn)行特征提取和特征描述，將折皺圖像劃分為5個(gè)等級(jí)，即分為5類。將這5類分別兩兩組合，即將五分類問(wèn)題轉(zhuǎn)化為若干個(gè)二分類問(wèn)題，每二類利用K-means算法根據(jù)折皺圖像的SURF特征進(jìn)行聚類，去除兩類中有偏差的圖片，最終從1260張篩選出1120張等級(jí)明確的圖片。

2 深度神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)

2.1 卷積神經(jīng)網(wǎng)絡(luò)（CNN）

卷積神經(jīng)網(wǎng)絡(luò)由卷積層、池化層和全連接層組成[11]，本質(zhì)是一個(gè)多層感知器，其優(yōu)點(diǎn)在于稀疏連接和權(quán)值共享，能有效減少網(wǎng)絡(luò)的參數(shù)個(gè)數(shù)并緩解模型過(guò)擬合的問(wèn)題。卷積層使用卷積核對(duì)圖像特征進(jìn)行不同尺寸的過(guò)濾，以獲取整體的局部特征。池化層通過(guò)對(duì)數(shù)據(jù)進(jìn)行降維，減少提取的特征數(shù)據(jù)，防止過(guò)擬合。例如，卷積輸入一個(gè)圖像數(shù)據(jù)的矩陣和卷積核之間逐點(diǎn)乘積，然后是線性的整流ReLU，使卷積的輸出稀疏，即對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化。最后池化操作通過(guò)選擇窗口上的最大值來(lái)減小維度。卷積的公式如下：

2.2 基于多尺度卷積的模型設(shè)計(jì)

由于著裝平整度的評(píng)價(jià)既要考慮折皺數(shù)量又要考慮折皺深淺，因此本文設(shè)計(jì)一種多尺度卷積神經(jīng)網(wǎng)絡(luò)模型來(lái)提取折皺圖像不同尺度的局部特征，以更全面地預(yù)測(cè)折皺等級(jí)。

本文設(shè)計(jì)的網(wǎng)絡(luò)模型先使用不同的卷積核，使用40個(gè)不同大小的過(guò)濾器（2×2、3×3、4×4和5×5各10個(gè)）提取不同尺度的折皺特征。以上卷積核的大小和個(gè)數(shù)都是經(jīng)過(guò)重復(fù)實(shí)驗(yàn)得出的最優(yōu)參數(shù)，且保持了提取信息的完整性，因此每種卷積核給出了100×100×10的特征圖。然后是批處理規(guī)范化層，目的是減少神經(jīng)網(wǎng)絡(luò)中的內(nèi)部協(xié)變量偏移，同時(shí)加快收斂過(guò)程，降低初始化要求，方便調(diào)參，提高分類效果。此外，用ReLU激活每個(gè)神經(jīng)元。接下來(lái)用全局最大池化來(lái)降維，減少訓(xùn)練參數(shù)量。對(duì)卷積之后的特征圖進(jìn)行連接，輸出為50×50×40的特征圖，并將特征圖展成一維向量依次輸入到兩個(gè)全連接層中，大小分別為128和64。在最后一個(gè)全連接層上使用一個(gè)dropout函數(shù)來(lái)隨機(jī)丟棄訓(xùn)練過(guò)程中全連接層的一些節(jié)點(diǎn)，以免過(guò)擬合。對(duì)于第i個(gè)神經(jīng)元，使用dropout后的輸出公式如下：

最終的輸出層由對(duì)應(yīng)于五個(gè)等級(jí)結(jié)果的五個(gè)神經(jīng)元組成，由全連接層輸出的結(jié)果得到。本文設(shè)計(jì)的網(wǎng)絡(luò)模型整體框架如圖3所示。

3 實(shí) 驗(yàn)

3.1 環(huán)境與參數(shù)

采用篩選后的1120個(gè)實(shí)驗(yàn)樣本，每次隨機(jī)抽取20%的樣本用來(lái)測(cè)試，其余的用于訓(xùn)練。訓(xùn)練時(shí)每批的大小為32，學(xué)習(xí)率為0.0001，dropout函數(shù)設(shè)置為0.2。模型的訓(xùn)練環(huán)境為IntelCorei7-10510UCPU，8GB內(nèi)存，編譯環(huán)境使用了python3.6和TensorFlow1.2。

3.2 結(jié)果與分析

本文設(shè)計(jì)的模型在原有CNN的基礎(chǔ)上，進(jìn)一步利用不同卷積核在提取多尺度特征上的優(yōu)勢(shì)，將不同層級(jí)產(chǎn)生的特征拼接展平為多尺度特征并提供給分類器，多維度提高平整度的預(yù)測(cè)準(zhǔn)確率及底層信息的利用率。實(shí)驗(yàn)中，為了克服不同卷積核卷積后的尺寸不同，造成后續(xù)提取的特征無(wú)法融合的問(wèn)題，將Padding的方式設(shè)置為samepadding，損失函數(shù)為softmax的交叉熵，采用亞當(dāng)優(yōu)化算法最小化損失函數(shù)。通過(guò)不斷迭代來(lái)優(yōu)化模型的參數(shù)，使訓(xùn)練精度和損失函數(shù)值都趨于平穩(wěn)，訓(xùn)練過(guò)程如圖4所示，隨機(jī)選取了224個(gè)樣本用來(lái)驗(yàn)證模型的效果。選擇準(zhǔn)確率（ACC）作為預(yù)測(cè)評(píng)價(jià)指標(biāo)，計(jì)算公式如下：

ACC/%=正確預(yù)測(cè)的樣本數(shù)量測(cè)試樣本總數(shù)量×100（4）

此外，表1列出了2×2、3×3、4×4、5×5、6×6的卷積核疊加組合后對(duì)等級(jí)預(yù)測(cè)結(jié)果的影響。由表1可見(jiàn)，顯示預(yù)測(cè)準(zhǔn)確率并不是隨多尺度卷積核的增加而增加，當(dāng)同時(shí)應(yīng)用這5種卷積核時(shí)，由于模型復(fù)雜度變高，出現(xiàn)過(guò)擬合現(xiàn)象，導(dǎo)致了預(yù)測(cè)準(zhǔn)確率下降。因此，最終選用預(yù)測(cè)準(zhǔn)確率較高的2×2、3×3、4×4、5×5四個(gè)卷積核，但實(shí)驗(yàn)中調(diào)參卷積核的大小不僅限于表1中的尺度。

為了驗(yàn)證多尺度卷積是否能有效提高著裝平整度的預(yù)測(cè)準(zhǔn)確率，本文采用誤差反向傳播（BP）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行對(duì)比分析。圖5為不同算法時(shí)每個(gè)等級(jí)的預(yù)測(cè)準(zhǔn)確率，可以看出Multi-CNN（多尺度卷積神經(jīng)網(wǎng)絡(luò)）的預(yù)測(cè)準(zhǔn)確率都高于其他兩種算法。表2為不同算法的整體準(zhǔn)確率，可以看出多尺M(jìn)ulti-CNN的準(zhǔn)確率為92.69%，比CNN提高3.31%，比BP神經(jīng)網(wǎng)絡(luò)提高約10%，且損失最小。這說(shuō)明多尺度卷積核通過(guò)提取不同尺度的折皺特征并進(jìn)行特征拼接融合，保留了更多的圖像信息，利于提高分類正確率。因此，利用本文設(shè)計(jì)的模型可有效實(shí)現(xiàn)著裝平整度的客觀評(píng)定，且對(duì)輸入圖像的要求較低。

4 結(jié) 論

以實(shí)際著裝過(guò)程中褲子腘窩處的折皺為研究對(duì)象，選取35種常見(jiàn)純色機(jī)織物進(jìn)行樣褲制作和著裝起皺，通過(guò)拍照記錄折皺變化獲取折皺圖像，根據(jù)主觀評(píng)價(jià)和K-means聚類制作圖像標(biāo)簽，以896張折皺圖像作為訓(xùn)練樣本、224張作為測(cè)試樣本，對(duì)構(gòu)建的多尺度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和測(cè)試，經(jīng)過(guò)分析可以得到以下結(jié)論。

1）該模型能保留更完整的信息，提取圖像多維度特征，有效實(shí)現(xiàn)著裝平整度的預(yù)測(cè)，準(zhǔn)確率為92.69%，比CNN提高331%，比BP神經(jīng)網(wǎng)絡(luò)提高約10%，且損失最小。

2）相比其他利用圖像特征進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的方法，深度神經(jīng)網(wǎng)絡(luò)能提取更多利于圖像分類的抽象特征，在圖像學(xué)習(xí)及預(yù)測(cè)方面更具優(yōu)勢(shì)。

目前關(guān)于織物平整度的研究，研究對(duì)象大多圍繞AATCC起皺器產(chǎn)生的折皺，或者用洗衣機(jī)洗滌之后的平整度展開，這些折皺與穿著過(guò)程中引起的服裝折皺在形態(tài)上有極大差異。

本文以服裝實(shí)際穿著過(guò)程中的平整度為研究對(duì)象，具有更強(qiáng)的現(xiàn)實(shí)意義和實(shí)際應(yīng)用價(jià)值。另外，本文構(gòu)建的基于多尺度卷積的深度神經(jīng)網(wǎng)絡(luò)模型，不僅為客觀評(píng)價(jià)著裝平整度提供了新手段，而且可用于縫紉平整度、織物洗后平整度等的客觀評(píng)定，還能為紡織品外觀質(zhì)量的在線檢測(cè)提供參考。

參考文獻(xiàn)：

[1]汪黎明，陳健敏，杜鳳霞.利用圖像的統(tǒng)計(jì)分析方法評(píng)價(jià)織物免燙等級(jí)[J].青島大學(xué)學(xué)報(bào)，2002，17（1）：41-43.

WANGLiming，CHENJianmin，DUFengxia.Evaluationoffabricwrinkingwithstatisticmethodofimageanalysis[J].JournalofQingdaoUniversity，2002，17（1）：41-43.

[2]吳嘉斌，徐增波.基于傅利葉譜分析技術(shù)的織物起皺特征提取和分析[J].上海毛麻科技，2001（1）：34-36.

WUJiabin，XUZengbo.Extractionandanalysisoffabricwrinklecharacteristicsbasedonfourierspectrumanalysistechnology[J].ShanghaiWoolandJuteJournal，2001（1）：34-36.

[3]楊曉波，黃秀寶.織物表面折皺的小波分析與自組織神經(jīng)網(wǎng)絡(luò)等級(jí)評(píng)定[J].中國(guó)圖象圖形學(xué)報(bào)，2005（4）：473-478.

YANGXiaobo，HUANGXiubao.Waveletanalysisoffabricsurfacewrinkleandself-organizedneuralnetworkgradeassessment[J].JournalofImageandGraphics，2005（4）：473-478.

[4]石康君，王靜安，高衛(wèi)東.織物褶皺多尺度灰度共生矩陣分析[J].絲綢，2020，57（2）：35-40.

SHIKangjun，WANGJingan，GAOWeidong.Multi-scaleGLCManalysisoffabricwrinkles[J].JournalofSilk，2020，57（2）：35-40.

[5]楊艷，錢坤，李鴻順.基于縐織物表面圖像分形特征分析的縐效應(yīng)評(píng)價(jià)[J].絲綢，2007（10）：40-41.

YANGYan，QIANKun，LIHongshun.Crepeeffectevaluationbasedonfractalcharacterizationanalysisforsurfaceimageofcrepefabrics[J].JournalofSilk，2007（10）：40-41.

[6]劉成霞，甘敏，鄭文梅.織物平整度的特征提取方法對(duì)比研究[J].絲綢，2018，55（3）：45-49.

LIUChengxia，GANMin，ZHENGWenmei.Comparativestudyoffeatureextractionforfabricsmoothness[J].JournalofSilk，2018，55（3）：45-49.

[7]徐建明.織物平整度等級(jí)客觀評(píng)估系統(tǒng)的研究[D].上海：東華大學(xué)，2006.

XUJianming.StudyonObjectiveAssessmentSystemofFabricSmoothnessGrade[D].Shanghai：DonghuaUniversity，2006.

[8]楊曉波.織物平整度等級(jí)的計(jì)算機(jī)視覺(jué)評(píng)估[D].上海：東華大學(xué)，2003.

YANGXiaobo.ComputerVisionAssessmentofFabricWrinkleGrade[D].Shanghai：DonghuaUniversity，2003.

[9]劉成霞.模擬實(shí)際著裝的織物折皺測(cè)試及等級(jí)評(píng)價(jià)方法研究[D].杭州：浙江理工大學(xué)，2015.

LIUChengxia.InvestigationintoMeasurementandGradeEvaluationofFabricWrinklingSimulatingActualWear[D].Hangzhou：ZhejiangSci-TechUniversity，2015.

[10]陳麗麗.基于灰度共生矩陣的毛料褲子穿著平整度特征提取[J].毛紡科技，2017，45（5）：50-54.

CHENLili.EigenvalueextractiononwearingsmoothnessofwoolpantsbasedonGray-levelco-occurrencematrix[J].WoolTextileJournal，2017，45（5）：50-54.

[11]LECUNY，BENGIOY，HINTONG.Deeplearning[J].Nature，2015，521（7553）：436-444.