李艷梅，仇曉坤，蔣真真

(1.上海工程技術(shù)大學(xué) 服裝學(xué)院，上海 201620；2.復(fù)旦大學(xué) 上海視覺藝術(shù)學(xué)院，上海 201620)

縫紉平整度客觀評判模型的研究

李艷梅1，仇曉坤2，蔣真真1

(1.上海工程技術(shù)大學(xué) 服裝學(xué)院，上海 201620；2.復(fù)旦大學(xué) 上海視覺藝術(shù)學(xué)院，上海 201620)

借助于圖像處理技術(shù)，提取縫紉平整度照片的圖像灰度標(biāo)準(zhǔn)差、圖像熵、小波變換系數(shù)標(biāo)準(zhǔn)差、小波信息熵等特征參數(shù)，建立了縫紉平整度的客觀評判的概率神經(jīng)網(wǎng)絡(luò)模型。經(jīng)過訓(xùn)練和檢驗，得出該模型的預(yù)測值與期望值之間的相關(guān)系數(shù)在0.99以上，說明網(wǎng)絡(luò)模型有效，且精度高，可以用于預(yù)測未知縫紉樣本的縫紉平整度等級。

縫紉平整度；客觀評判；圖像處理；小波分析；概率神經(jīng)網(wǎng)絡(luò)

縫紉平整度直接影響到服裝的外觀、檔次和價格，目前商業(yè)上普遍采用的縫紉平整度的評價方法是按照AATCC 88B標(biāo)準(zhǔn)進(jìn)行主觀評價。該方法的特點是直接、簡單，投入少、易掌握，但評價過程中需要多名專業(yè)人員的參與，易受評委個人因素的影響，結(jié)果穩(wěn)定性差，導(dǎo)致其準(zhǔn)確性和權(quán)威性受到質(zhì)疑。此外，主觀評定的環(huán)境要求十分苛刻，實際生產(chǎn)中難于普及。因此，近年來在縫紉質(zhì)量的綜合評價和客觀評價方面的研究逐漸增多。早在1989年，日本的乾滋涉谷等就通過超聲波計測裝置來測量織物的縫紉皺縮，這種裝置能準(zhǔn)確測出輕微的縫紉皺縮，但這種方法容易受到織物密度大小及毛羽等織物表面性能的影響[1]；90年代末期，Park.C.K[2]提出了應(yīng)用三維影像分析技術(shù)和人工智能技術(shù)，采用5個形狀參數(shù)來評估線縫起皺的定量方法；2000年，Kang.T.J等[3]用分形幾何法對面料折皺和線縫起皺進(jìn)行了客觀評定；香港理工大學(xué)的Fan.J等[4]從1990年起就采用圖像處理方法對服裝表面接縫處折裥圖像展開研究；2002年，東華大學(xué)的劉侃[5]提出用模糊聚類方法評價服裝加工性能，探索了服裝縫紉加工質(zhì)量的客觀綜合評價方法；2004年，東華大學(xué)的張靜[6]繼續(xù)研究了縫跡外觀質(zhì)量的模糊綜合評判方法。

因此，從目前的研究趨勢來看，隨著計算機技術(shù)的發(fā)展，借助于圖像處理和數(shù)學(xué)分析方法對縫紉質(zhì)量作客觀評價和綜合評價的研究不斷增多，但是由于織物與服裝柔軟多變，各種研究成果均存在一定的局限性。本研究將圖像處理和小波分析方法引入縫紉平整度的客觀評價中，利用小波變換在時頻分析中具有的放大局部突變信號的特性，提取縫紉不平整褶皺的中高頻信號，增加縫紉平整度特征提取的準(zhǔn)確度，在此基礎(chǔ)上建立概率神經(jīng)網(wǎng)絡(luò)模型，為縫紉平整度的客觀評判提供一種新的方法。

1 縫紉平整度客觀評判系統(tǒng)的組成

縫紉平整度客觀評判是基于圖像表面的灰度分布特征和對圖像作小波分析的基礎(chǔ)上完成的，主要由4個部分組成，分別為圖像錄入與預(yù)處理、小波分析、特征參數(shù)提取、建立客觀評判模型。其中合理地提取特征參數(shù)是制約客觀評判模型精度和效率的關(guān)鍵因素。

2 縫紉平整度客觀評判指標(biāo)的提取

以AATCC 88B標(biāo)準(zhǔn)樣照為研究對象，AATCC 88B分別針對單線縫縫紉和雙線縫縫紉提供了縫紉平整度等級的標(biāo)準(zhǔn)樣照，將線縫平整度分為5個等級，其中等級“ss-1”為最差，等級“ss-5”為無皺縮線縫。本研究中，在標(biāo)準(zhǔn)光照條件下，針對AATCC 88B的單線縫和雙線縫標(biāo)準(zhǔn)樣照，對各個縫紉平整度等級照片中隨機選擇的32個位置拍攝照片錄入計算機，經(jīng)過預(yù)處理后，分別得到單線縫和雙線縫2個系列的標(biāo)樣照片的160幅圖像，作為后續(xù)分析的樣本。

2.1 基于圖像灰度變化的特征參數(shù)

2.1.1 圖像的灰度標(biāo)準(zhǔn)差

假設(shè)xij為圖像F中(i，j)位置處的像素的灰度值，為圖像中所有像素的灰度平均值，圖像的大小為M×N，則圖像的灰度標(biāo)準(zhǔn)差定義為：

分析圖像標(biāo)準(zhǔn)差與縫紉平整度等級的相關(guān)關(guān)系，得到雙、單線縫與縫紉平整度等級間的最大相關(guān)系數(shù)分別為0.971和0.930。

2.1.2 圖像信息熵

圖像的熵是一種特征的統(tǒng)計形式，它從圖像所包含信息變化的角度描述圖像的性質(zhì)，反映了圖像中平均信息量的多少，其值越大，說明細(xì)節(jié)信息越豐富?；叶葓D像熵的計算如下：令pi表示圖像中灰度值為i的像素所占的比例，即圖像一維直方圖的灰度級分布信息，則定義灰度圖像的一維灰度熵為：

分別計算雙、單線縫縫紉標(biāo)樣圖像的圖像熵，分析其與縫紉平整度等級的相關(guān)關(guān)系，最大相關(guān)系數(shù)分別為0.976和0.935。

2.2 基于圖像小波分析的特征參數(shù)

縫紉圖像可以被看作是一個由低頻信號(圖像的主體)、高頻信號(噪聲和邊緣)及中高頻信號(縫紉不平整造成的褶皺)迭加的復(fù)雜信號，小波分析的時頻局域化特性特別適合提取這類信號的特征信息。小波變換后的細(xì)節(jié)系數(shù)使得二維圖像的主要信息以一組一維特征量來表征，從而可以更加直觀、有效、方便地對圖像進(jìn)行信號提取和檢測[7]。

2.2.1 小波標(biāo)準(zhǔn)差

分別對雙、單線縫的縫紉平整度標(biāo)樣圖像作5尺度haar小波分解，分別提取第5分析尺度和第4分析尺度的水平細(xì)節(jié)系數(shù)標(biāo)準(zhǔn)差，垂直細(xì)節(jié)系數(shù)標(biāo)準(zhǔn)差和對角細(xì)節(jié)系數(shù)標(biāo)準(zhǔn)差，并分析其與縫紉平整度之間的相關(guān)關(guān)系。由此得到的小波標(biāo)準(zhǔn)差與縫紉平整度等級間的相關(guān)系數(shù)見表1。選取相關(guān)系數(shù)在0.9以上的特征參數(shù)作為建模參數(shù)，即。

表1 小波標(biāo)準(zhǔn)差與縫紉平整度等級的相關(guān)系數(shù)Tab.1 Correlation coeff i cient between wavelet standard deviation and seam pucker grades

2.2.2 小波能量

小波標(biāo)準(zhǔn)差對信號特性的清晰描述程度依賴于小波分析的尺度，而小波能量可以從能量分布的角度綜合各尺度的信號特征。定義單一尺度下的小波能量為該尺度下小波系數(shù)的平方和[8]，由此推論，總能量可以定義為：

對于二維的圖像信號，若其大小為M×N，經(jīng)過小波分解后，設(shè)其第j分析尺度的水平、垂直和對角方向上的小波系數(shù)分別為Hj，Vj，Dj，則其小波能量可以定義為：

將3個方向的細(xì)節(jié)系數(shù)的小波能量相加，即獲得小波分解后的細(xì)節(jié)系數(shù)的總能量。分析雙、單線縫圖像的小波能量與縫紉平整度等級的相關(guān)關(guān)系，得到相關(guān)系數(shù)分別為0.977和0.959。

3 縫紉平整度評價的概率神經(jīng)網(wǎng)絡(luò)模型

概率神經(jīng)網(wǎng)絡(luò)是非線性的模式分類技術(shù)，既有統(tǒng)計分類的功能，又不受多元正態(tài)分布等條件的限制，需調(diào)節(jié)的參數(shù)很少，特別適用于模式分類問題。與BP算法網(wǎng)絡(luò)性能相比，具有結(jié)構(gòu)簡單，訓(xùn)練時間短，且不易收斂到局部最優(yōu)的優(yōu)點，并且在學(xué)習(xí)樣本有限的場合具有很高的穩(wěn)定性。

PNN網(wǎng)絡(luò)通常由4層組成[9]，如圖1所示。其中第一層、最后一層分別為輸入層和輸出層，中間兩層為隱層。第二層為模式單元層，它與輸入層之間通過連接權(quán)值相連接。第三層為累加層，它具有線性求和的功能，接受各隱層節(jié)點的計算結(jié)果，并對屬于同一類別的輸出求和，這一層的神經(jīng)元數(shù)目與欲分的模式數(shù)目相同。

圖1 PNN神經(jīng)網(wǎng)絡(luò)組成Fig.1 Composition of probabilistic neural network

3.2 特征參數(shù)的歸一化處理

由于所選特征參數(shù)數(shù)據(jù)的量綱和量級不一致，需要進(jìn)行歸一化處理，將它們刻度在統(tǒng)一的數(shù)值量綱和量級范圍內(nèi)。如前所述，本研究所獲得的特征參數(shù)與縫紉平整度等級之間均為具有線性或者近似線性關(guān)系，所以采用線性歸一化公式進(jìn)行處理。

式(5)中：hi為經(jīng)過歸一化計算后的特征參；xi為原始特征參數(shù)值；xmax為特征參數(shù)的最大值；xmin為特征參數(shù)的最小值。

3.3 縫紉平整度等級評判的PNN網(wǎng)絡(luò)算法的實現(xiàn)

3.3.1 構(gòu)建PNN網(wǎng)絡(luò)模型

將縫紉平整度圖像的優(yōu)選特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入，以縫紉等級作為輸出層信息的參數(shù)，建立相應(yīng)的概率神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，并在Matlab軟件中編程實現(xiàn)。

3.3.2 訓(xùn)練網(wǎng)絡(luò)

分別隨機抽取單、雙線縫縫紉平整度圖像中的110組樣本數(shù)據(jù)作為訓(xùn)練樣本數(shù)據(jù)，其余的50組數(shù)據(jù)作為網(wǎng)絡(luò)的檢驗數(shù)據(jù)。以縫紉等級作為期望輸出矢量，訓(xùn)練縫紉平整度評判的PNN網(wǎng)絡(luò)模型。網(wǎng)絡(luò)訓(xùn)練完成后，將各層神經(jīng)元間的連接權(quán)值代回網(wǎng)絡(luò)中，對訓(xùn)練樣本進(jìn)行回歸模擬，訓(xùn)練樣本的期望輸出與PNN網(wǎng)絡(luò)的仿真輸出均完全重合。這說明網(wǎng)絡(luò)已訓(xùn)練成功。

3.3.3 檢驗網(wǎng)絡(luò)的預(yù)測能力

對50個檢驗樣本進(jìn)行縫紉平整度等級的網(wǎng)絡(luò)識別，得到結(jié)果為無論是雙線縫還是單線縫，網(wǎng)絡(luò)識別的錯分?jǐn)?shù)量均為1，準(zhǔn)確率達(dá)到98 %，預(yù)測值與實際值之間的相關(guān)系數(shù)為0.995，并且都通過了F檢驗的顯著性檢驗。

3.3.4 實際樣本的縫紉平整度預(yù)測

為了驗證以上建立的服裝面料縫紉平整度客觀評價模型的有效性和精度，選用典型面料，分別制作了20個雙線縫和20個單線縫縫紉樣本。首先對實際樣本的縫紉平整度進(jìn)行主觀評定。主觀評定參照AATCC 88B標(biāo)準(zhǔn)完成，選取了10位從事服裝教育和服裝加工的專業(yè)人員，經(jīng)過培訓(xùn)后，在標(biāo)準(zhǔn)燈箱中對照AATCC 88B標(biāo)準(zhǔn)樣照對每一個試樣單獨評分，之后計算每一試樣的平整度得分的平均值，取整后作為其最終等級，獲得的結(jié)果見表2。

表2 實際樣本縫紉平整度等級的主客觀評價結(jié)果Fig.2 Comparison between objective and subjective evaluation result of actual samples

然后將40個樣本在標(biāo)準(zhǔn)光源箱中拍照得到其圖像并進(jìn)行預(yù)處理，按照本研究所述方法提取特征參數(shù)并作歸一化處理，然后將其分別代入本研究建立的雙、單線縫的縫紉平整度客觀評價模型中，將標(biāo)準(zhǔn)樣照的160組特征參數(shù)作為訓(xùn)練樣本，將測試樣本的特征參數(shù)作為檢驗樣本，經(jīng)過計算后，得到的模型預(yù)測值見表2；將其與主觀評價值作相關(guān)分析，結(jié)果見表3。

從表3中可以看出，對于實際縫紉樣本，本研究建立的縫紉平整度客觀評價模型仍然具有較高的預(yù)測精度，其預(yù)測準(zhǔn)確率達(dá)到90 %，而主客觀評價的相關(guān)系數(shù)達(dá)到了0.95以上。由此說明，建立的PNN網(wǎng)絡(luò)具有良好的預(yù)測能力。

表3 實際樣本縫紉平整度等級的主客觀評價結(jié)果分析Fig.3 Analysis of objective and subjective evaluation result of actual samples

4 結(jié) 論

本研究主要探討了縫紉平整度客觀評判系統(tǒng)的建立和檢驗。根據(jù)提取的特征參數(shù)與縫紉平整度等級間的相關(guān)關(guān)系，選取典型的特征參數(shù)建立了概率神經(jīng)網(wǎng)絡(luò)模型。檢驗證明，該概率神經(jīng)網(wǎng)絡(luò)模型對于數(shù)據(jù)的分布特征基本無要求，模型的精度較高，可以獲得良好的評判效果。本文研究的縫紉平整度客觀評判模型可以克服傳統(tǒng)主觀評價的模糊性和不確定性，為縫紉外觀的客觀評價提供了一種有效的手段。

[1]乾滋涉谷.シームパッカリングの定量的評價[J].纖維學(xué)會志，1990(6)：245-249.

[2]PARK C K, KANG T J. Objective rating of seam pucker using neural networks[J]. Textile Research Journal, 1997, 67(7): 494-502.

[3]KANG T J, LEE J Y. Objective evaluation of fabric wrinkles and seam puckers using fractal geometry[J]. Textile Research Journal, 2000, 70(6): 469-475.

[4]FAN J, LIU F. Objective evaluation of garment seams using 3Dlaser scanning technology[J]. Textile Research Journal,2000, 70(11): 1025-1030.

[5]劉侃.用模糊聚類分析法評價服裝加工性能[J].西安工程科技學(xué)院學(xué)報，2002(6)：116-120.

[6]張靜.線跡外觀質(zhì)量的模糊綜合評判[J].四川紡織科技，2004(4)：8-11.

[7]韓琳，楊明.基于小波變換的紋理特征提取分析[J].電腦知識與技術(shù)，2007(11):1395，1422.

[8]HE Zheng You, CAI Yu Mei, QIAN Qing Quan.A study of wavelet entropy theory and its application in electric power system fault detection[J].Proceedings of the CSEE,2005, 25(5): 39-43.

[9]PATRA P K, NAYAK S K,GOBBAK N K.Probabilistic neural networks for patten classification[C]//2002 International Joint Conference Neural Networks.Honolulu: IEEE, 2002: 1200-1205.

Research on objective evaluating model of seam pucker

LI Yan-mei1, QIU Xiao-kun2, JIANG Zhen-zhen1
(1. Fashion College, Shanghai University of Engineering Science, Shanghai 201620, China; 2. Shanghai Institute of Vision Art, Fudan University,Shanghai 201620, China)

In this paper, the standard deviation of image grey, Image entropy, standard deviation of wavelet coefficient and wavelet entropy about the photograph of seam pucker are extracted based on the image process technology. Then probabilistic neural network (PNN) model of evaluation of seam pucker is established. After training and testing, the correlation coefficient between prediction value and the expected value is above 0.99,which indicates that the network model has high precision and can be used to predict seam pucker of unknown samples.

Seam pucker; Objective evaluation; Image process; Wavelet analysis; Probabilistic neural network

TS941.634；TP391

A

1001-7003(2011)04-0028-04

2010-11-22；

2010-12-07

上海市教委科技創(chuàng)新基金項目(10YZ170)

李艷梅(1974－ )，副教授，主要從事紡織品性能分析與設(shè)計，數(shù)字化服裝技術(shù)的教學(xué)研究。