鄭曉萍 劉成霞 孫思晴

摘要： 為準(zhǔn)確、客觀地評價(jià)服裝穿著起拱性能，文章以18種機(jī)織面料為研究對象，將其制成褲子進(jìn)行穿著起拱實(shí)驗(yàn)，利用三維掃描技術(shù)獲取膝部起拱點(diǎn)云數(shù)據(jù)，對預(yù)處理后的數(shù)據(jù)進(jìn)行主觀評價(jià)和指標(biāo)提取，得到曲面指標(biāo)：均值、方差、峰度、均偏移、粗糙度和扭曲度，將6個(gè)曲面指標(biāo)和起拱高度分別與主觀起拱等級進(jìn)行回歸分析。結(jié)果表明：在著裝起拱實(shí)驗(yàn)中，方差、粗糙度和均偏移預(yù)測起拱等級的優(yōu)度均高于起拱高度。采用逐步回歸法建立的綜合模型預(yù)測起拱等級的優(yōu)度最高為0.918，該模型可以合理地反映著裝起拱等級，為客觀評價(jià)服裝起拱性能提供依據(jù)。

關(guān)鍵詞： 褲子穿著起拱;曲面指標(biāo);起拱高度;主觀評價(jià);客觀評價(jià);起拱變形;膝部關(guān)節(jié)

中圖分類號： TS941.2

文獻(xiàn)標(biāo)志碼： A

文章編號： 1001-7003（2021）05-0047-06

引用頁碼： 051108

DOI： 10.3969/j.issn.1001-7003.2021.05.008（篇序）

Abstract： To evaluate the wearing bagging properties accurately and objectively， 18 woven fabrics were selected to make into pants for wearing bagging tests. The knee bagging point cloud data were obtained by using 3D laser scanner. Then the processed data were subjectively evaluated and indicators were extracted to obtain surface indexes include mean， variance， kurtosis， average deviation， roughness and torsion. Then the regression analysis of 6 surface indexes and bagging height with subjective bagging grade was conducted. The results showed that the superiority of variance， roughness and average deviation in predicting bagging grade is higher than that of bagging height. A comprehensive index model established by stepwise regression method is used to predict the degree of superiority of clothing bagging grade， which is 0.918. The model can reasonably reflect the clothing bagging grade and provide a basis for objectively evaluating wearing bagging.

Key words： pants wearing bagging; surface index; bagging height; objective evaluation; subjective evaluation; bagging deformation; knee joint

服裝起拱的原因有多種，如工藝上的裁剪不當(dāng)，吃勢不均、粘襯不平整等，但多數(shù)源于人體著裝運(yùn)動(dòng)時(shí)，膝、肘等部位的大幅活動(dòng)。這種起拱變形嚴(yán)重影響了服裝的外觀性能和使用壽命。因此，各國學(xué)者就如何測試、評價(jià)服裝起拱進(jìn)行了大量研究。胡金蓮等[1]在Celanese型起拱儀[2]的基礎(chǔ)上采用Instron拉伸儀對棉織物進(jìn)行定負(fù)荷起拱測試，并用WIRA地毯厚度儀測量起拱高度。Doustar等[3]利用拉力試驗(yàn)機(jī)獲得不同織物的起拱阻力、織物疲勞、殘余拱高等參數(shù)。王道航等[4]自主設(shè)計(jì)了圖像采集裝置，并利用圖像處理技術(shù)對織物殘余起拱高度進(jìn)行了預(yù)測。Hasani等[5]建立了織物基本結(jié)構(gòu)及混紡比與起拱殘余高度之間的回歸模型。Bouatay等[6]研究了纖維、紗線和織物特性對單面針織物起拱性能的影響。余芳[7]利用小波分析提取了客觀指標(biāo)，來預(yù)測起拱高度和主觀評價(jià)。

綜上所述，現(xiàn)有研究多以起拱疲勞實(shí)驗(yàn)來測試織物的起拱性能，或基于織物基本結(jié)構(gòu)對起拱高度的預(yù)測[8]。但服裝起拱多發(fā)生于人體穿著過程中，其起拱形態(tài)不同于起拱疲勞實(shí)驗(yàn)。基于此，本文進(jìn)行了著裝實(shí)驗(yàn)，采集起拱部位進(jìn)行主客觀評價(jià)，并依據(jù)現(xiàn)有的三維掃描技術(shù)來獲取著裝起拱曲面的特征，并與起拱高度進(jìn)行對比分析，研究能有效代替主觀評價(jià)結(jié)果的客觀參數(shù)，以期能更客觀、更全面地評價(jià)著裝起拱。

1 實(shí) 驗(yàn)

1.1 試樣的選取

膝關(guān)節(jié)是人體活動(dòng)幅度較大的關(guān)節(jié)之一，反復(fù)的運(yùn)動(dòng)極易使服裝產(chǎn)生難以回復(fù)的變形。因此，本文以褲裝膝部的起拱變形為研究對象，選取18種市面常用于制作褲裝的純色機(jī)織面料進(jìn)行實(shí)驗(yàn)，其組織結(jié)構(gòu)均不相同，原料包含棉、麻、絲、毛及滌綸等，規(guī)格參數(shù)如表1所示。

1.2 實(shí)驗(yàn)樣褲的制作與穿著實(shí)驗(yàn)

穿著實(shí)驗(yàn)在實(shí)際應(yīng)用中會(huì)受到一些限制，例如人體體型特征、服裝的款式造型、合身度，以及穿著狀態(tài)等，這些都會(huì)對起拱變形造成影響?；诖吮疚倪x擇一名身高170 cm、體重55 kg、H體型中等身材的女性作為唯一的被測者，在標(biāo)準(zhǔn)大氣環(huán)境下進(jìn)行穿著實(shí)驗(yàn)。繪制適合被測者體型的直筒褲樣板，后在統(tǒng)一所有參數(shù)的條件下將所選的18塊機(jī)織物進(jìn)行裁剪、縫制，保證褲子中檔部位松量為4 cm左右。最后讓被測者穿上熨燙好的褲子進(jìn)行如下指定動(dòng)作：以5 km/h的速率在跑步機(jī)上勻速行走5 min，小腿垂直地面平坐5 min，保持下蹲狀態(tài)5 min，最后站立回復(fù)5 min，以上行、坐、蹲、站為一個(gè)循環(huán)，每條褲子連續(xù)做3個(gè)循環(huán)。完成上述動(dòng)作后，迅速將褲子小心脫下，并立即噴上織物定型噴霧以保證起拱形狀不會(huì)進(jìn)行回復(fù)。由于三維掃描儀只可掃描平面物體，因此需將褲子沿側(cè)縫線剪開，使起拱部位平置于水平桌面上，以便后續(xù)定量研究。

1.3 起拱三維數(shù)據(jù)的采集與處理

1.3.1 手持式三維掃描儀

實(shí)驗(yàn)所用儀器為REVscan手持式激光掃描儀（Creaform公司），該設(shè)備具有高達(dá)18 000 次/s的測量速率，完成一次起拱掃描約30 s;且其配有專用的VX-elements數(shù)據(jù)采集軟件，可實(shí)現(xiàn)自動(dòng)多分辨率和實(shí)時(shí)三維渲染，具有表面重建、優(yōu)化算法、改進(jìn)兼容性等強(qiáng)大功能。此外，該儀器掃描得到的點(diǎn)云無分層，可自動(dòng)生成三維實(shí)體圖形，且其即插即用的系統(tǒng)可以快速實(shí)現(xiàn)安裝和使用。

1.3.2 點(diǎn)云數(shù)據(jù)的獲取和預(yù)處理

對18塊實(shí)驗(yàn)后置于水平桌面的織物依次進(jìn)行三維掃描，掃描得到的每塊織物包含大約20萬個(gè)離散數(shù)據(jù)點(diǎn)，每個(gè)點(diǎn)包含了其在空間直角坐標(biāo)系中的位置和法向量信息。在掃描過程中，設(shè)備的精度、操作者的經(jīng)驗(yàn)、被測物體表面質(zhì)量、環(huán)境等因素均易產(chǎn)生噪點(diǎn)影響后續(xù)重建模型的精度，因此需要對獲取的點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理[9]，主要包括曲面重建和點(diǎn)云的截取。即將掃描得到點(diǎn)云數(shù)據(jù)輸入到Geomagic Studio（GS）軟件中進(jìn)行擬合和封裝，然后將掃描儀自定位坐標(biāo)系的XY平面與GS軟件內(nèi)的XY平面進(jìn)行對齊、并沿對齊后平面的XZ方向及YZ方向?qū)?shù)據(jù)裁剪為固定大小，最后將重建后的曲面轉(zhuǎn)化為點(diǎn)數(shù)據(jù)。圖1（a）為預(yù)處理前的起拱曲面，圖1（b）為預(yù)處理后轉(zhuǎn)化為點(diǎn)數(shù)據(jù)的曲面。

1.4 膝部起拱主觀評價(jià)

起拱程度會(huì)隨時(shí)間而變化，理想情況是將全部試樣在實(shí)驗(yàn)后的同一時(shí)刻呈現(xiàn)給每個(gè)評判者，但實(shí)際情況不能得到保證，所以一般選擇在預(yù)定的起拱時(shí)間內(nèi)用相機(jī)拍攝二維起拱圖像，其中相機(jī)放大倍數(shù)、拍攝位置及光源等保持不變。但此方法得到的圖片角度固定，評判者只可在單一視角下觀察，難免產(chǎn)生視覺誤差。基于此，本文選擇請?jiān)u判者對在GS軟件中重建好的起拱曲面進(jìn)行評價(jià)，如圖2所示。各類織物重建后的起拱曲面其顏色、質(zhì)地均一致，消除了二維圖片中織物顏色、紋路、質(zhì)地等對主觀評價(jià)產(chǎn)生的影響。且在軟件中可隨意拖動(dòng)方向工具，全方位觀察起拱曲面形態(tài)，大幅提高了主觀評價(jià)的準(zhǔn)確性。

主觀評價(jià)小組由6名具有多年服裝質(zhì)檢經(jīng)驗(yàn)的專家組成，評價(jià)結(jié)果依照起拱程度以5級評分法進(jìn)行表示：嚴(yán)重為1級，較嚴(yán)重為2級，中等為3級，較輕為4級，輕微為5級。請?jiān)u價(jià)專家對每條樣褲的兩個(gè)褲腿分別進(jìn)行評級，求取平均值作為主觀評價(jià)結(jié)果。檢驗(yàn)結(jié)果表明，6名專家對同一織物的評價(jià)等級具有良好的一致性。最后對6名專家的評價(jià)結(jié)果求取平均值并進(jìn)行四舍五入取整，得到最終起拱等級。

2 特征指標(biāo)提取與分析

2.1 起拱高度的獲取

在起拱疲勞實(shí)驗(yàn)中，織物在鋼球的反復(fù)頂壓下起拱變形，并記錄殘余拱高進(jìn)行評價(jià)。鋼球形狀規(guī)則，形成的起拱曲面如圖3所示。據(jù)前人研究可知：起拱疲勞實(shí)驗(yàn)中，影響主觀值的物理刺激主要來源于起拱高度[10]。而著裝實(shí)驗(yàn)中，由于膝蓋形狀的不規(guī)則性、膝部皮膚的伸長、肢體運(yùn)動(dòng)的固定性導(dǎo)致起拱邊緣連接著多處褶皺，平整度較差，視覺上更加粗糙（圖2）。為探究起拱疲勞實(shí)驗(yàn)與穿著實(shí)驗(yàn)的異同，在穿著試驗(yàn)中也提取起拱高度作為對比指標(biāo)進(jìn)行分析。

將預(yù)處理后的點(diǎn)云數(shù)據(jù)輸入到Matlab軟件中，使用scatter函數(shù)生成三維散點(diǎn)圖，從中提取空間直角坐標(biāo)系中z軸坐標(biāo)點(diǎn)的極值，即起拱最高點(diǎn)到織物水平放置面的垂直距離為起拱高度HR。

2.2 曲面特征指標(biāo)的提取

為探究實(shí)際著裝產(chǎn)生的起拱形態(tài)，定量分析織物起拱等級，在預(yù)處理之后，根據(jù)起拱形態(tài)特征分別提取均值、方差、峰度、均偏移、粗糙度、扭曲度6個(gè)起拱曲面特征值。

均值：織物表面任意高度點(diǎn)數(shù)的平均值。表達(dá)式為：

方差：用于反映起拱織物表面高度的變化。表達(dá)式為：

峰度：起拱部位存在高低不平的現(xiàn)象，可用來表征面料表層的起伏程度。表達(dá)式為：

均偏移：織物起拱表面高度偏移量的大小決定了不同的平整程度。表達(dá)式為：

粗糙度：著裝起拱表面高度起伏不定，通過計(jì)算起拱表面各點(diǎn)高度的標(biāo)準(zhǔn)差，可獲取粗糙度值。表達(dá)式為：

扭曲度：扭曲度在一定意義上反映了織物的平整程度，扭曲度越嚴(yán)重，織物表面則越不平整。表達(dá)式為：

3 結(jié)果與分析

表2是18塊織物的特征指標(biāo)值和主觀評價(jià)結(jié)果。

3.1 起拱高度與主觀起拱等級的關(guān)系

起拱高度與主觀評價(jià)等級間的回歸關(guān)系如圖4所示。著裝起拱實(shí)驗(yàn)中，起拱高度與主觀等級之間呈現(xiàn)了良好的多項(xiàng)式關(guān)系，即影響主觀值的物理刺激有83%來源于起拱高度。隨著起拱高度的增大，其主觀起拱程度有明顯加重的趨勢。起拱高度越高，起拱越嚴(yán)重，其織物抗起拱性越差，主觀起拱等級越低。具體關(guān)系式為y=-0.019x2-1.683x+6.003，其中x為起拱高度，y為主觀起拱等級，相關(guān)系數(shù)R2為0.832。

3.2 曲面特征指標(biāo)與主觀起拱等級的關(guān)系

6個(gè)曲面特征指標(biāo)直接或間接地反映了織物表面的起拱現(xiàn)象，選擇二階曲線擬合作為主觀等級與單個(gè)特征值的擬合分析，得到不同起拱織物的點(diǎn)云沿Z軸方向上的特征參數(shù)分布，如圖5所示。其中，X軸代表單個(gè)特征指標(biāo)，Y軸代表主觀起拱等級。

分析單個(gè)特征指標(biāo)與主觀起拱等級的單變量相關(guān)性可得到，方差、均偏移、粗糙度與主觀起拱等級的擬合R2分別為0878、0.844、0.865，均高于起拱高度與主觀起拱等級的擬合程度。由此可見，在著裝起拱實(shí)驗(yàn)中，起拱高度并不是唯一影響主觀起拱等級的主要物理刺激，只因下蹲、平坐等實(shí)驗(yàn)條件致使起拱邊緣連接大量褶皺，單方向的高度特征并不能準(zhǔn)確地描述這些著裝產(chǎn)生的變形，而曲面指標(biāo)方差、均偏移、粗糙度等可綜合計(jì)算起拱區(qū)域內(nèi)所有點(diǎn)，能夠更加全面地解釋主觀評價(jià)等級。

3.2.1 逐步回歸分析

本文需要估計(jì)的特征指標(biāo)有起拱高度、均值、方差、峰度、均偏移、粗糙度、扭曲度。單個(gè)特征指標(biāo)不能精準(zhǔn)地預(yù)測出織物的起拱等級，需要綜合考慮多個(gè)特征指標(biāo)與起拱等級之間的關(guān)系?；诖?，本文采用逐步回歸的方法進(jìn)一步探討特征指標(biāo)與起拱等級的關(guān)系。逐步回歸即每次逐個(gè)引入對因變量影響最顯著的自變量，并對方程中已引入的自變量一一進(jìn)行檢驗(yàn)，把變得不顯著的自變量逐個(gè)從方程中剔除。這是一個(gè)反復(fù)的過程，最終得到的最優(yōu)回歸方程中既不漏掉對因變量影響顯著的自變量，又不包含對因變量影響不顯著的自變量。

表3為逐步回歸后所得的方差分析情況。由表3可知，逐步回歸后得到2個(gè)回歸方程，其F檢驗(yàn)統(tǒng)計(jì)量的觀測值分別為105.725和95.615，概率p值均接近為0，回歸性非常顯著。

表4為所得回歸方程系數(shù)情況。由表4可知，7個(gè)自變量經(jīng)逐步回歸后，粗糙度進(jìn)入了第一個(gè)方程，粗糙度和均值進(jìn)入了第二個(gè)方程。且2個(gè)方程中，變量回歸系數(shù)顯著性檢驗(yàn)的概率p值均小于顯著性水平0.01，即通過了t檢驗(yàn)。

將表4中回歸系數(shù)列的數(shù)據(jù)代入回歸模型，最終得到2個(gè)回歸方程。表達(dá)式如下：

式中：x1為粗糙度，x2為均值，y為主觀起拱等級。

式（7）和式（8）的擬合優(yōu)度分別為0.860、0.918。理論上這2個(gè)回歸方程都能預(yù)測起拱等級，且式（8）的精確度更高。

4 結(jié) 論

選取18種機(jī)織試樣為研究對象，將其制作成褲子進(jìn)行穿著起拱實(shí)驗(yàn)，采集膝部起拱部位的三維點(diǎn)云數(shù)據(jù)，在預(yù)處理之后進(jìn)行主觀評價(jià)和特征提取，得到曲面特征指標(biāo)：均值、粗糙度、方差、峰度、均偏移、扭曲度。并將6個(gè)曲面指標(biāo)和起拱高度分別與主觀評價(jià)結(jié)果進(jìn)行回歸分析，得出以下結(jié)論：

1）在著裝起拱實(shí)驗(yàn)中，單個(gè)指標(biāo)預(yù)測起拱等級的優(yōu)度排序?yàn)椋悍讲?粗糙度>均偏移>起拱高度，分別為0.878>0865>0.844>0.832。

2）用逐步回歸法建立的2個(gè)綜合回歸方程中，式（7）選入了粗糙度為自變量，擬合優(yōu)度為0.860;式（8）選入了粗糙度和均值為自變量，擬合優(yōu)度為0.918。這2個(gè)回歸方程的擬合優(yōu)度均大于用起拱高度預(yù)測起拱等級方程的擬合優(yōu)度（0.832）。依托這2個(gè)關(guān)系式，可根據(jù)提取的粗糙度和均值來進(jìn)一步預(yù)測起拱等級。

研究結(jié)果表明，本文提取曲面特征指標(biāo)可用于評價(jià)服裝穿著起拱，且建立的綜合指標(biāo)模型大幅提高了預(yù)測優(yōu)度，可以合理地反映實(shí)際著裝起拱等級，為客觀評價(jià)服裝起拱提供依據(jù)。

參考文獻(xiàn)：

[1]胡金蓮， 李瑩. 起拱回復(fù)與交聯(lián)程度的關(guān)系[J]. 武漢紡織大學(xué)學(xué)報(bào)， 2008， 21（8）： 50-54.

HU Jinlian， LI Ying. Relationship between bagging recovery and crosslinking degree[J]. Journal of Wuhan Textile University， 2008， 21（8）： 50-54.

[2]THOMAS W. Celanese bagging test for knit fabrics[J]. Textile Chemist & Colorist， 1971， 3： 31-233.

[3]DOUSTAR K， NAJAR S， MAROUFI M. The effect of fabric design and weft density on bagging behavior of cotton woven fabrics[J]. The Journal of The Textile Institute， 2010， 101（2）： 135-142.

[4]王道航， 姜曉云， 張成蛟， 等. 織物起拱殘留高度的預(yù)測方法[J]. 紡織學(xué)報(bào)， 2009， 30（9）： 37-40.

WANG Daohang， JIANG Xiaoyun， ZHANG Chengjiao， et al. Prediction method for fabric residual bagging height[J]. Journal of Textile Research， 2009， 30（9）： 37-40.

[5]HASANI H， ZADEH S H. Regression model for the bagging fatigue of knitted fabrics produced from viscose/polyester blended rotor yarns[J]. Fibers & Textiles in Eastern Europe， 2012， 20（4）： 67-71.

[6]BOUATAY F， GHITH A. Bagging phenomenon on jersey knitted fabrics[J]. Journal of Textile and Apparel， Technology and Management， 2014， 8（4）： 1-13.

[7]余芳. 基于小波分析的毛料服裝穿著起拱性客觀評價(jià)[J]. 毛紡科技， 2018， 46（4）： 67-71.

YU Fang. Objective evaluation of wearing bagging behavior for wool pants based on wavelet analysis[J]. Wool Textile Journal， 2018， 46（4）： 67-71.

[8]HAMID M， HOSSEIN H， SANAZ H. Analytical studies on woven fabrics bagging performance affected by the material， yarn， and fabric parameters[J]. Journal of the Textile Institute Proceedings & Abstracts， 2016， 108（5）： 703-711.

[9]程杰. 基于激光掃描的織物表面模型構(gòu)建與結(jié)構(gòu)參數(shù)測量方法研究[D]. 天津： 天津工業(yè)大學(xué)， 2014.

CHENG Jie. Research on the Method of Fabric Surface Modeling and Structure Parameters Measurement Based on Laser Scanning[D]. Tianjin： Tiangong University， 2014.

[10]ZHANG X， LI Y， YEUNG K W， et al. Fabric bagging（part Ⅰ）： subjective perception and psychophysical mechanism[J]. Textile Research Journal， 1999， 69（7）： 511-518.

[11]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.

CHEN Lili. Eigenvalue extraction on wearing smooth-ness of wool pants based on gray-level co-occurrence matrix[J]. Wool Textile Journal， 2017， 45（5）： 50-54.