龔 雪， 袁 理，2， 劉軍平， 楊亞莉， 劉沐黎， 柯政濤， 鄢煜塵

(1. 武漢紡織大學(xué) 電子與電氣工程學(xué)院， 湖北 武漢 430200； 2. 武漢紡織大學(xué) 湖北省紡織新材料與先進(jìn) 加工技術(shù)省部共建國家重點(diǎn)實(shí)驗(yàn)室培育基地， 湖北 武漢 430200； 3. 武漢紡織大學(xué) 數(shù)學(xué)與計(jì)算機(jī)學(xué)院， 湖北 武漢 430200； 4. 武漢大學(xué) 電子信息學(xué)院， 湖北 武漢 430072)

織物組織點(diǎn)的檢測與識(shí)別是紡織品生產(chǎn)與設(shè)計(jì)過程中的重要環(huán)節(jié)之一。近年來，通過2種或多種不同染色纖維混配而成的色紡織物，因其色彩層次豐富，具有獨(dú)特的混色效果而被市場追捧。對(duì)色紡織物的組織點(diǎn)進(jìn)行自動(dòng)分析能夠?yàn)樯彯a(chǎn)品的快速開發(fā)與生產(chǎn)提供技術(shù)支撐，具有重要的應(yīng)用價(jià)值[1]。

得益于計(jì)算機(jī)視覺技術(shù)與模式識(shí)別理論的快速發(fā)展，基于圖像處理的織物組織點(diǎn)識(shí)別方法是目前研究的主流方向。其中，織物組織點(diǎn)特征參數(shù)的提取與識(shí)別是該領(lǐng)域研究的重點(diǎn)與難點(diǎn)。常利利等[2]利用灰度共生矩陣分析織物的組織結(jié)構(gòu)。通過提取能量、熵、逆差距、對(duì)比度和相關(guān)性這5種統(tǒng)計(jì)值，從而實(shí)現(xiàn)對(duì)織物紋理信息的分析與表達(dá)，實(shí)驗(yàn)結(jié)果表明，該方法能較好地提取織物的紋理特征。景軍鋒等[3]利用局部二值模式(LBP)提取織物的局部紋理特征，同時(shí)利用灰度共生矩陣提取織物的全局紋理特征，然后將其結(jié)合起來實(shí)現(xiàn)對(duì)3種基本組織的分類，精度高達(dá)99.93%。但上述方法在織物特征參數(shù)的提取過程中，僅考慮了織物的紋理信息，對(duì)于色彩豐富的染色或印花織物具有局限性。針對(duì)此問題，商琳等[4]提出了一種基于顏色共生矩陣的紋理檢索算法，該算法不僅考慮到圖像的紋理特征，而且還建立了與人眼感知相對(duì)應(yīng)的顏色組成特征，該方法顯著優(yōu)于單一灰度共生矩陣的紋理檢索算法。孫佳理等[5]利用灰度共生矩陣(GLCM)在YUV顏色空間模型的Y通道上提取組織點(diǎn)的紋理特征，同時(shí)利用顏色矩提取織物組織點(diǎn)的顏色信息，最后通過特征融合的方法實(shí)現(xiàn)織物組織點(diǎn)的分類，結(jié)果發(fā)現(xiàn)該方法具有較好的識(shí)別效果。

需要指出的是，不同的顏色空間具有不同的色彩刻畫能力，單一顏色空間對(duì)復(fù)雜顏色模式表達(dá)的過程中具有顯著的局限性[6]。因此，龐曉敏等[7]提出了基于HIS(Hue, Intensity, Saturation)和Lab顏色空間的彩色圖像分割算法，但該算法比采用單一的顏色空間具有更為理想的分割效果。劉瓊等[8]提出了基于YUV和Lab顏色空間的農(nóng)田圖像分割方法，該方法在2種顏色空間分別利用加權(quán)模糊熵和Otsu閾值方法實(shí)現(xiàn)對(duì)圖像的分割，取得了不錯(cuò)的效果。王民等[9]提出了基于HSV(Hue, Saturation, Value)、HIS與YUV混合色彩空間分塊顏色特征提取與檢索算法，該算法相較于普通的單一色彩空間的特征提取方法，查準(zhǔn)率和查全率均得到明顯提高。代喬民等[10]以RGB(Red, Green, Blue)、Lab以及HSV 3顏色空間為基礎(chǔ)，建立了結(jié)合全局顏色特征與局部紋理特征的色紡紗色度學(xué)指標(biāo)表征模型，結(jié)果發(fā)現(xiàn)，對(duì)于色紡紗色度學(xué)指標(biāo)的細(xì)微改變，該模型均能準(zhǔn)確、穩(wěn)定地進(jìn)行表征，具有理想的有效性與魯棒性。

與此同時(shí)，如何針對(duì)織物組織點(diǎn)參數(shù)特征進(jìn)行有效識(shí)別也是目前該研究領(lǐng)域亟待解決的難點(diǎn)。常見的特征分類器可分為線性分類器和非線性分類器。其中，神經(jīng)網(wǎng)絡(luò)模型與支持向量機(jī)(SVM)在處理非線性、高維度樣本數(shù)據(jù)時(shí)具有顯著優(yōu)勢。包曉敏等[11]針對(duì)織物組織的多樣性及組織圖像易受到噪聲干擾的問題，提出了嗅覺神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)織物組織的自動(dòng)識(shí)別，但該方法在實(shí)現(xiàn)過程中計(jì)算復(fù)雜度較高。孫輝等[12]提出了基于多核學(xué)習(xí)支持向量機(jī)的音樂流派分類方法，結(jié)果表明，與單核支持向量機(jī)相比，多核支持向量機(jī)分類的正確率提高了6.58%。鐘志鵬等[13]針對(duì)傳統(tǒng)的學(xué)習(xí)方法存在的問題，提出了一種基于多核學(xué)習(xí)的人臉表情識(shí)別方法，結(jié)果表明，該方法識(shí)別率為88%，比傳統(tǒng)方法提高了8%。

值得注意的是，不同于單一呈色物體，色紡織物是以染色纖維作為顏色的基本載體，在成紗或織造的過程中，染色纖維會(huì)在紗線或織物的表面表現(xiàn)為和捻度相關(guān)的螺旋形，并且纖維間會(huì)互相堆疊與聚集，使織物組織呈色形態(tài)具有隨機(jī)性與多樣性[14-16]。因此，本文以紡織品數(shù)碼成像技術(shù)為基礎(chǔ)，針對(duì)色紡面料特有的呈色機(jī)制與過程，建立混合色彩空間與多核學(xué)習(xí)的組織點(diǎn)識(shí)別算法。該算法能夠以YUV、HSV和Lab 3種色彩空間為基礎(chǔ)，構(gòu)建混合色彩空間；同時(shí)，分別提取色紡織物組織點(diǎn)圖像的紋理統(tǒng)計(jì)特征與三階顏色矩特征作為織物組織點(diǎn)參數(shù)特征，并利用多核學(xué)習(xí)構(gòu)建SVM對(duì)其進(jìn)行識(shí)別。本文的研究對(duì)于構(gòu)建穩(wěn)定、有效的色紡面料設(shè)計(jì)與生產(chǎn)系統(tǒng)具有重要的指導(dǎo)意義，并且能夠?yàn)樽罱K實(shí)現(xiàn)色紡面料的數(shù)字化與智能化開發(fā)提供參考。

1 組織點(diǎn)特征提取與多核學(xué)習(xí)

1.1 混合色彩空間的建立

顏色空間是由多個(gè)獨(dú)立通道構(gòu)成的一個(gè)坐標(biāo)空間，不同的顏色空間對(duì)色彩具有不同的表征能力[6]。本文以YUV、HSV以及Lab 3種色彩空間為基礎(chǔ)，構(gòu)建混合色彩空間。分別從YUV顏色空間的Y通道、HSV顏色空間的V通道和Lab顏色空間的L通道中提取紋理和亮度信息，再將這3個(gè)通道的信息通過歸一化等處理加以融合。同時(shí)，將這3個(gè)顏色空間中另外表示色彩分量的通道信息分別進(jìn)行融合。

1.2 組織點(diǎn)參數(shù)特征的提取與融合

色紡織物的組織點(diǎn)特征由顏色與紋理特征共同構(gòu)成。針對(duì)色紡織物呈色纖維分布的隨機(jī)性與多樣性，本文提出以混色色彩空間為基礎(chǔ)，分別提取織物組織點(diǎn)圖像的局部二值模式(LBP)+灰度共生矩陣(GLCM)統(tǒng)計(jì)特征與三階矩顏色特征并進(jìn)行加權(quán)融合，從而構(gòu)成織物組織點(diǎn)參數(shù)特征。

首先，利用經(jīng)典的LBP算子提取色紡織物組織點(diǎn)的偽灰度圖像[17]；然后，通過灰度共生矩陣從偽灰度圖像中選取方向θ=0°,45°,90°,135°且距離d=1的像素對(duì)，從而得到灰度共生矩陣在4個(gè)方向的特征參數(shù)，即能量(GASM)、逆差距(GIDM)、對(duì)比度(GContrast)、相關(guān)性(GCorrelation)，并構(gòu)成一個(gè)16維度的紋理特征向量，具體定義如下：

(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)

與此同時(shí)，在混合色彩空間中提取織物組織點(diǎn)圖像的三階顏色矩特征，具體定義如下：

(9)

(10)

(11)

式中：u為一階顏色矩特征；σ為二階顏色矩特征；s為三階顏色矩特征；P(i,j)為位置(i,j)處像素的顏色信息；N為織物組織點(diǎn)圖像中像素點(diǎn)的個(gè)數(shù)。

最后，采用特征級(jí)融合策略對(duì)紋理與顏色特征進(jìn)行融合，并作為色紡織物組織點(diǎn)參數(shù)特征，其數(shù)學(xué)表達(dá)式為

C=w×Cmoment+(1-w)×CAICC

(12)

式中：Cmoment為圖像三階矩顏色歸一化特征；CAICC為圖像紋理統(tǒng)計(jì)歸一化特征，即CAICC=GASM+GIDM+GContrast+GCorrelation；w為各獨(dú)立特征的權(quán)值。

1.3 基于多核學(xué)習(xí)的SVM

SVM是從線性可分發(fā)展而來的，當(dāng)引入核函數(shù)后具備非線性分類的能力。傳統(tǒng)的支持向量機(jī)多采用單核函數(shù)，如線性核函數(shù)、高斯徑向基核函數(shù)、多項(xiàng)式核函數(shù)等[13]。對(duì)于多源異構(gòu)數(shù)據(jù)的分類問題，其泛化能力迅速下降。為了提高支持向量機(jī)的特征可分性，基于多核函數(shù)的SVM得到了廣泛關(guān)注，其數(shù)學(xué)模型可表示為：

(13)

(14)

式中：αi>0為拉格朗日系數(shù)；sign()為符號(hào)函數(shù)；Km(xi,x)為核函數(shù)，即：

(15)

2 實(shí)驗(yàn)與結(jié)果

2.1 實(shí)驗(yàn)樣本及系統(tǒng)參數(shù)設(shè)定

能夠影響色紡織物組織點(diǎn)識(shí)別的因素很多，如織物組織、染色纖維的種類、質(zhì)量配比、捻系數(shù)差異以及織造工藝等。根據(jù)實(shí)驗(yàn)需求，制備了2批實(shí)驗(yàn)樣品。第1批30份樣品由白色、紅色和綠色3種染色滌綸纖維混配織造而成。其中，平紋織物采用92號(hào)筘，每筘齒穿入紗線的根數(shù)為4，上機(jī)緯密是230根/(10 cm),下機(jī)經(jīng)密是380根/(10 cm)，下機(jī)緯密是226根/(10 cm)，樣本編號(hào)規(guī)則為SSxxA(A代表平紋織物)；斜紋織物采用110號(hào)筘，每筘齒穿入紗線的根數(shù)為4，上機(jī)緯密是300根/(10 cm),下機(jī)經(jīng)密是460根/(10 cm)，下機(jī)緯密是300根/(10 cm)，樣本編號(hào)規(guī)則為SSxxD(D代表斜紋織物)；緞紋織物采用92號(hào)筘，每筘齒穿入紗線的根數(shù)為5，上機(jī)緯密是330根/(10 cm),下機(jī)經(jīng)密是488根/(10 cm)，下機(jī)緯密是334根/(10 cm)，樣本編號(hào)規(guī)則為SSxxF(F代表緞紋織物)。同時(shí)，樣本間存在纖維質(zhì)量配比差異與捻系數(shù)差異，具體參數(shù)和部分樣本分別由如表1和圖1所示。

表1 第1批色紡織物實(shí)驗(yàn)樣本參數(shù)表Tab.1 Parameter table of the first batch of colored spun fabric samples

圖1 部分色紡織物實(shí)驗(yàn)樣本Fig.1 Experimental samples of some colored spun fabrics

第2批20份樣本由大紅、金黃以及黑色、藍(lán)色分別與白色棉纖維混配織造而成。樣本均為平紋組織，采用130號(hào)筘，每筘齒穿入紗線的根數(shù)為2，下機(jī)緯密是280根/(10 cm), 無特殊說明情況下，捻系數(shù)為350。樣本間的染色纖維配比存在較大范圍內(nèi)的隨機(jī)變化，且存在長絨棉與短絨棉對(duì)比樣本，具體參數(shù)和部分樣本分別由如表2和圖2所示。

表2 第2批色紡織物樣本參數(shù)表Tab.2 Parameter table of the second batch of colored spun fabric samples

圖2 部分色紡織物實(shí)驗(yàn)樣本Fig.2 Experimental samples of some colored spun fabrics

全部樣本在相對(duì)濕度為65%狀態(tài)下平衡后，通過DigiEye Digital Imaging System系統(tǒng)進(jìn)行圖像采集，并在采集前通過白板和標(biāo)準(zhǔn)色卡對(duì)DigiEye系統(tǒng)相機(jī)進(jìn)行白平衡和顏色校正。每份織物樣本采集不同區(qū)域的4張標(biāo)準(zhǔn)圖像；同時(shí)，對(duì)標(biāo)準(zhǔn)圖像進(jìn)行分割，從中獲得10張像素為600像素×600像素的樣本圖像，并從每張圖片中提取至少一個(gè)組織循環(huán)。其中，訓(xùn)練集由6張圖像構(gòu)成，其余圖像為測試集。因此，實(shí)驗(yàn)樣本數(shù)據(jù)集由500張織物圖像構(gòu)成。其中，訓(xùn)練樣本集為300張圖像，測試樣本集為200張織物圖像。

2.2 色紡織物組織點(diǎn)的定位

在圖像采集過程中，采集到的織物圖像可能會(huì)受到噪聲的干擾，影響實(shí)驗(yàn)的準(zhǔn)確率。因此，需要對(duì)織物圖像進(jìn)行預(yù)處理。首先，將采集到的RGB圖像的3個(gè)顏色通道分別進(jìn)行中值濾波，以降低噪聲的影響；然后，在混合色彩空間的亮度通道利用水平和垂直灰度投影法實(shí)現(xiàn)對(duì)織物組織點(diǎn)的定位；最后，在混合色彩空間下從色紡織物圖像中分割出組織點(diǎn)圖像。

2.3 算法參數(shù)優(yōu)化

本文算法中需要對(duì)多核學(xué)習(xí)SVM中的核函數(shù)類型與權(quán)重值進(jìn)行優(yōu)化；同時(shí)，還需要對(duì)特征融合權(quán)值進(jìn)行分析。由于線性核函數(shù)與高斯徑向基核函數(shù)具有參數(shù)少，分類性能較為理想，將其作為SVM的核函數(shù)，并通過實(shí)驗(yàn)分析確定核函數(shù)間的最優(yōu)權(quán)重系數(shù)，具體過程如下：1)按照上述方法提取樣本圖像中所有組織點(diǎn)的參數(shù)融合特征，其中為了便于分析，根據(jù)參考文獻(xiàn)[10]取經(jīng)驗(yàn)值，將融合參數(shù)設(shè)定為w=0.5；2)將樣本中所有組織點(diǎn)的融合特征參數(shù)輸入多核支持向量機(jī)進(jìn)行學(xué)習(xí)，其中2類核函數(shù)的權(quán)值設(shè)定為0至1區(qū)間，每間隔0.1取值迭代循環(huán)計(jì)算第一批樣本中各類織物組織點(diǎn)的正確識(shí)別率，結(jié)果如表3所示。其中，權(quán)重為高斯徑向基核函數(shù)：線性核函數(shù)。實(shí)驗(yàn)結(jié)果表明，當(dāng)高斯徑向核函數(shù)與線性核函數(shù)的權(quán)重分別為0.9、0.1時(shí)，算法整體平均識(shí)別率最高。

表3 核函數(shù)權(quán)重參數(shù)優(yōu)化Tab.3 Weight parameter optimization of kernel function

2.4 實(shí)驗(yàn)結(jié)果與分析

能夠影響色紡織物呈色的因素很多，即包括染色纖維的混配比、種類以及成紗過程中的捻系數(shù)等。其中，染色纖維混配比的改變對(duì)織物組織點(diǎn)參數(shù)的影響最為顯著，為了驗(yàn)證本文方法的有效性與穩(wěn)定性，對(duì)第1批15份具有不同質(zhì)量配比與組織的色紡織物組織點(diǎn)進(jìn)行識(shí)別(實(shí)驗(yàn)一)，結(jié)果見表4。其中，樣本間的染色纖維混配質(zhì)量比差異在0.5%至4.0%之間變化，且成紗過程中的捻系數(shù)保持一致。

表4 捻系數(shù)為低的識(shí)別結(jié)果(實(shí)驗(yàn)一) Tab.4 Recognition results with low twist factor(experiment one)

實(shí)驗(yàn)結(jié)果表明，當(dāng)捻系數(shù)為低時(shí)，平紋織物組織點(diǎn)的平均識(shí)別率為95.2%；斜紋織物組織點(diǎn)的平均識(shí)別率為96.8%；緞紋織物組織點(diǎn)的平均識(shí)別率略低為83.4%。與此同時(shí)，大量研究結(jié)果表明染色纖維成紗過程的捻系數(shù)也是導(dǎo)致織物呈色變化的顯著因素之一，因此，本文以實(shí)驗(yàn)一為對(duì)照組，對(duì)另外15份具有不同捻系數(shù)的織物的組織點(diǎn)進(jìn)行識(shí)別(實(shí)驗(yàn)二)，結(jié)果如表5所示。其中，樣本間的染色纖維混配質(zhì)量比差異在0.5%至4.0%之間變化，與對(duì)照組保持一致，但捻系數(shù)為高。

實(shí)驗(yàn)結(jié)果表明，當(dāng)捻系數(shù)為高時(shí)，平紋織物組織點(diǎn)的平均識(shí)別率為93.8%；斜紋織物組織點(diǎn)的平均識(shí)別率為94.0%；緞紋織物組織點(diǎn)的平均識(shí)別率為84.0%。對(duì)比2組實(shí)驗(yàn)結(jié)果，可以看出本文所建立的色紡織物組織點(diǎn)自動(dòng)識(shí)別算法對(duì)于染色纖維的混配比以及成紗過程中的捻系數(shù)變化均具有理想的魯棒性和有效性，能夠?qū)?種典型織物組織點(diǎn)進(jìn)行準(zhǔn)確識(shí)別，部分織物樣本及組織結(jié)構(gòu)意匠圖如圖3所示。

染色纖維的種類以及染色纖維的色度學(xué)指標(biāo)都是其織物組織點(diǎn)識(shí)別過程中關(guān)鍵因素。為了驗(yàn)證本文方法的有效性與普適性，對(duì)第2批共20份棉纖維色紡織物樣本的組織點(diǎn)進(jìn)行識(shí)別分析，結(jié)果見表6。

表5 捻系數(shù)為高的識(shí)別結(jié)果(實(shí)驗(yàn)二)Tab.5 Recognition results with high twist factor(experiment two)

注：①為柱本；②為組織點(diǎn)分割圖；③為組織結(jié)構(gòu)意匠圖。圖3 部分樣本、組織點(diǎn)分割圖及組織結(jié)構(gòu)意匠圖Fig.3 Partial samples, segmentation image of interlacing point and pattern grid. (a) Plain weave; (b) Twill weave; (c) Satin weave

表6 第2批色紡織物組織點(diǎn)的識(shí)別結(jié)果Tab.6 Recognition results of the second batch of colored spun fabric interlacing points

其中，樣本間不僅具備顯著的色相差異，而且樣本間染色纖維混配質(zhì)量比變化范圍更大，從0.25%至8.0%；同時(shí)，樣本間也包含纖維性狀差異以及捻系數(shù)變化,且樣本組織均為平紋。

實(shí)驗(yàn)結(jié)果表明，對(duì)于具有不同色度學(xué)指標(biāo)的色紡織物樣本，本文所建立的混合色彩空間擁有理想的色彩表征能力；同時(shí)，結(jié)合組織點(diǎn)參數(shù)特征提取算法與多核學(xué)習(xí)SVM分類器，使得識(shí)別算法對(duì)較大范圍內(nèi)纖維混配與捻系數(shù)變化具有理想的魯棒性，組織點(diǎn)平均識(shí)別率均保持在93%以上。部分樣本、組織點(diǎn)分割圖及組織結(jié)構(gòu)意匠圖如圖4所示。

注：①為樣本；②為組織分割圖；③為組織結(jié)構(gòu)意匠圖。圖4 部分樣本、組織點(diǎn)分割圖及組織結(jié)構(gòu)意匠圖Fig.4 Partial samples, segmentation image of interlacing point and pattern grid

2.5 對(duì)比實(shí)驗(yàn)結(jié)果

相對(duì)于單一顏色空間，混合色彩空間能夠綜合運(yùn)用多顏色空間對(duì)色彩的表征與刻畫能力，具有較強(qiáng)的顏色表征能力；同時(shí)，基于多核學(xué)習(xí)的SVM能夠?qū)μ卣鏖g的復(fù)雜分布模式進(jìn)行有效表征。為綜合對(duì)比分析本文方法的創(chuàng)新性與必要性，以上述2批實(shí)驗(yàn)樣本為對(duì)象，采用在HSV顏色空間提取色紡織物組織點(diǎn)的顏色與紋理特征，并分別采用單核SVM與線性分類器對(duì)組織點(diǎn)進(jìn)行識(shí)別，2種方法分別記為方法1與方法2；同時(shí)，在混合顏色空間提取色紡織物組織點(diǎn)的特征參數(shù)，采用單核SVM對(duì)組織點(diǎn)進(jìn)行識(shí)別，記為方法3。對(duì)比實(shí)驗(yàn)結(jié)果如表7～8所示。

表7 第1批實(shí)驗(yàn)樣本采用不同方法的識(shí)別結(jié)果Tab.7 Recognition results of the first batch of experimental samples using different methods

表8 第2批實(shí)驗(yàn)樣本采用不同方法的識(shí)別結(jié)果Tab.8 Recognition results of the second batch of experimental samples using different methods

實(shí)驗(yàn)結(jié)果表明，相較于單一顏色空間，本文所建立的混合色彩空間能夠?qū)Σ煌葘W(xué)指標(biāo)的色紡織物的顏色進(jìn)行準(zhǔn)確表征，所建立的色紡織物組織點(diǎn)參數(shù)特征提取算法對(duì)于纖維種類、質(zhì)量配比以及織造參數(shù)的變化具有理想的穩(wěn)定性；同時(shí)，由于引入了多核學(xué)習(xí)機(jī)制，使得SVM的非線性分類能力得到進(jìn)一步強(qiáng)化，在兩組實(shí)驗(yàn)中組織點(diǎn)平均正確識(shí)別率均顯著高于對(duì)照組，從而證明了本文方法的有效性與先進(jìn)性。

3 結(jié) 論

本文以紡織品數(shù)碼成像技術(shù)為基礎(chǔ)，建立了混合色彩空間與多核學(xué)習(xí)的組織結(jié)構(gòu)識(shí)別算法。該算法以YUV、HSV和Lab 3種色彩空間為基礎(chǔ)，通過相同屬性顏色通道構(gòu)建混合色彩空間；同時(shí)，分別提取色紡織物圖像的LBP+GLCM統(tǒng)計(jì)特征與三階顏色矩特征作為織物組織結(jié)構(gòu)參數(shù)特征，并利用多核學(xué)習(xí)構(gòu)建SVM對(duì)其進(jìn)行分類識(shí)別。實(shí)驗(yàn)結(jié)果表明，所建立的色紡織物組織結(jié)構(gòu)識(shí)別算法，對(duì)具有不同捻系數(shù)以及配比系數(shù)的滌綸機(jī)織物，其三元組織結(jié)構(gòu)的識(shí)別率分別為94.5%、95.4%和83.7%。同時(shí)，對(duì)于具有不同配色方案以及配比系數(shù)的棉型平紋織物，其組織結(jié)構(gòu)的識(shí)別率為94.65%，具備理想的魯棒性與普適性。本文的研究對(duì)于構(gòu)建穩(wěn)定、有效的色紡面料數(shù)字化檢索與客觀評(píng)價(jià)體系具有重要指導(dǎo)意義，并且能夠?yàn)樽罱K實(shí)現(xiàn)色紡面料的數(shù)字化與智能化系統(tǒng)開發(fā)奠定基礎(chǔ)。如何進(jìn)一步降低特征維度，提高識(shí)別系統(tǒng)的運(yùn)行效率是未來研究的主要內(nèi)容之一。