專利名稱：織物平整度等級(jí)客觀評(píng)定方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種紡織品性能測(cè)試方法，具體地說，是關(guān)于評(píng)定織物平整度的方法。
背景技術(shù)：
織物表觀性能在紡織品質(zhì)量控制及貿(mào)易中是一項(xiàng)重要指標(biāo)，而織物的折皺性能又直接影響紡織品的美觀特性，因此，對(duì)織物的折皺性能加以評(píng)定顯得十分必要。
目前所進(jìn)行的評(píng)定是主觀評(píng)定，主要采用標(biāo)樣對(duì)照法，即將試樣與標(biāo)準(zhǔn)樣卡在標(biāo)準(zhǔn)燈光條件下通過眼光目測(cè)進(jìn)行比較，這種主觀評(píng)定方法，由于人為因素影響，容易帶來評(píng)定誤差。
人們對(duì)織物平整度等級(jí)評(píng)定的研究現(xiàn)狀是研究初期主要采用儀器法評(píng)定織物平整度。1971年Shiloh發(fā)明了一種折皺測(cè)試儀來評(píng)估織物起皺，他采用高度、斜度和密度等幾何參數(shù)來定義起皺，然而評(píng)價(jià)準(zhǔn)確率不高。1986年Galuszynski進(jìn)一步開發(fā)了兩種裝置折皺儀和皺紋儀，通過測(cè)量織物的折痕長(zhǎng)度得到折皺率P(％)與主觀評(píng)價(jià)的線性回歸方程。1990年Amirbayat也提出了相似的方法，通過儀器測(cè)量，計(jì)算出織物厚度方向的張力，結(jié)果表明，它與標(biāo)樣對(duì)照法有著很高的相關(guān)性。1995年Harlock等人采用莫爾條紋法分析接縫處的起皺情況，該方法存在的問題是光照條件對(duì)莫爾條紋影響較大，同時(shí)很難適用于表面有凸起的織物。
90年代初，1991 Inui采用超聲波技術(shù)評(píng)測(cè)織物的起皺，由于超聲波束很窄且反射強(qiáng)度與織物的表面坡度有關(guān)，該方法尤其適用于輕微程度的折皺，但是不適用于較模糊的表面，同時(shí)易受接觸角的影響。1992年Stylios和Sotomi采用CCD攝像機(jī)系統(tǒng)評(píng)測(cè)縫合起拱，他們通過測(cè)量接縫亮度、紋理和圖案構(gòu)造出折皺參數(shù)與主觀評(píng)價(jià)的線性回歸式，然而該方法是以統(tǒng)計(jì)分析為基礎(chǔ)，所攝圖像易受外界光源條件的影響。
近年來，隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，已有人開始借助計(jì)算機(jī)圖像處理技術(shù)評(píng)定織物平整度。1995 Xu.B提出了用折皺灰度表面積、陰影面積評(píng)定平整度等級(jí)；1995年Youngjoo Na和Behnam Pourdeyhimi提出用折皺強(qiáng)度、輪廓、功率譜密度、尖銳度、隨機(jī)分布程度、總體外觀等來表征平整度，再用上述指標(biāo)確定織物的平整度，與主觀評(píng)定結(jié)果有著很好的相關(guān)性。2000年Kang和Lee采用激光掃描系統(tǒng)獲取織物的三維表面形狀，結(jié)合分形理論評(píng)定織物的平整度等級(jí)。
新型理論也開始應(yīng)用于織物的平整度等級(jí)評(píng)定，1997 Chang等人利用誤差反饋神經(jīng)網(wǎng)絡(luò)評(píng)定織物平整度，對(duì)40種織物試樣進(jìn)行評(píng)定，評(píng)定結(jié)果與主觀評(píng)定的相關(guān)系數(shù)為85％；1999 Chang和Tae借助神經(jīng)網(wǎng)絡(luò)與模糊理論相結(jié)合可以較好的評(píng)估織物平整度，對(duì)30種織物試樣進(jìn)行客觀評(píng)定，評(píng)定結(jié)果與主觀評(píng)定的相關(guān)系數(shù)達(dá)到90.80％。2000 Tsunchiro等人將小波理論應(yīng)用于織物的平整度評(píng)定，采用Daubechies小波提取平整度特征值，用于織物起皺(尤其是縫合起拱)的客觀評(píng)價(jià)，對(duì)20種織物試樣的客觀評(píng)定，評(píng)定的主、客觀相關(guān)系數(shù)為83％。
概括地說，對(duì)于織物平整度的等級(jí)評(píng)定，迄今為止仍主要采用主觀評(píng)定方法，即標(biāo)樣對(duì)照法。該方法以美國(guó)AATCC-124標(biāo)準(zhǔn)樣卡為參考模板，中國(guó)國(guó)標(biāo)GB/T13796-92就是參照美國(guó)AATCC標(biāo)準(zhǔn)制定的，評(píng)定過程是將試樣與標(biāo)準(zhǔn)樣卡在標(biāo)準(zhǔn)燈光條件下通過眼光目測(cè)進(jìn)行比較，最終確定試樣的平整度等級(jí)。但是，該方法屬于主觀評(píng)定，由于人為因素影響，容易帶來實(shí)驗(yàn)誤差。另外，借助儀器評(píng)定織物平整度等級(jí)的方法也常被采用，采用折皺測(cè)試儀評(píng)定織物平整度等級(jí)，是利用高度、斜度和密度等幾何參數(shù)來定義折皺，由于此方法是接觸式測(cè)量，易改變織物折皺原貌，評(píng)價(jià)的準(zhǔn)確率不高。

發(fā)明內(nèi)容
如上所述，如何可靠、客觀評(píng)定織物平整度的等級(jí)是本發(fā)明所要解決的技術(shù)問題，因此，本發(fā)明的目的在于提供一種織物平整度等級(jí)客觀評(píng)定方法。
本發(fā)明的技術(shù)方案如下根據(jù)本發(fā)明的一種織物平整度等級(jí)客觀評(píng)定的方法，其步驟包括a.利用同一織物光照?qǐng)D像獲取裝置，對(duì)織物模板和織物樣本，以迭代方法攝取相應(yīng)的多幅灰度圖像；b.利用圖像處理系統(tǒng)，將所采集的多幅織物模板灰度圖像和織物樣本灰度圖像分別轉(zhuǎn)換成織物模板二維數(shù)字圖像和織物樣本二維數(shù)字圖像；c.利用圖像處理系統(tǒng)，將所建立的織物模板二維數(shù)字圖像和織物樣本二維數(shù)字圖像分別重建成織物模板三維圖像和織物樣本三維圖像；d.利用圖像處理系統(tǒng)，分別對(duì)重建的織物模板三維圖像和織物樣本三維圖像提取特征參數(shù)；最后，e.對(duì)所提取的織物模板圖像特征參數(shù)和織物樣本圖像特征參數(shù)采用模式識(shí)別法評(píng)定該織物的平整度。
所說的利用織物光照?qǐng)D像獲取裝置拍攝織物樣本或模板灰度圖像，是將織物樣本或模板放置在膠合板上，該膠合板平面與一光源平面平行，且都與豎直平面成5°夾角，一CCD攝像機(jī)安裝在一固定支架上，其攝取方向與該光源平面垂直，該光源平面上均勻分布8個(gè)點(diǎn)光源，這些點(diǎn)光源依次開啓，或該光源平面上均勻分布8個(gè)光源停置點(diǎn)，移動(dòng)點(diǎn)光源，其依次經(jīng)過該8個(gè)光源停置點(diǎn)，而得到8個(gè)不同光照?qǐng)D像，整個(gè)過程均在暗室中進(jìn)行。
所說的將所采集的若干幅織物樣本或模板灰度圖像轉(zhuǎn)換成織物樣本或織物模板二維數(shù)字圖像，是利用一圖像采集卡將該CCD攝像機(jī)所攝取的織物樣本或織物模板圖像轉(zhuǎn)換為織物樣本或織物模板二維數(shù)字圖像。
所說的將建立的織物樣本或織物模板的二維數(shù)字圖像重建成織物的樣本或模板三維圖像是采用光度立體視覺法，從多幅灰度圖像出發(fā)，結(jié)合有限差分法進(jìn)行迭代計(jì)算來重建織物的樣本或模板三維形狀。
所說的織物特征參數(shù)提取是對(duì)織物三維重建算法所獲得的織物樣本或織物模板的三維輪廓數(shù)據(jù)，提取反映織物平整度的特征參數(shù)，其包括對(duì)比度、功率譜密度、分形維數(shù)、表面面積、粗糙度、扭曲度、峰度、平均偏移量、整體折皺密度和尖銳度。
所說的模式識(shí)別是采用自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法來評(píng)定織物的平整度等級(jí)，包括三個(gè)步驟e1.將織物模板的特征參數(shù)值輸入神經(jīng)網(wǎng)絡(luò)之中，經(jīng)過學(xué)習(xí)和訓(xùn)練，輸出競(jìng)爭(zhēng)獲勝的神經(jīng)元，以獲勝的神經(jīng)元代表不同等級(jí)的平整度模板，從而，將不同等級(jí)的平整度模板劃分成不同的類別。
e2.將織物樣本的特征參數(shù)值輸入神經(jīng)網(wǎng)絡(luò)之中，利用步驟e1對(duì)不同的織物樣本進(jìn)行分類。
e3.將織物樣本的類別與織物模板的類別進(jìn)行對(duì)照，確定織物樣本的平整度等級(jí)。
本發(fā)明方法與已有技術(shù)相比，具有突出的實(shí)質(zhì)性特點(diǎn)和顯著的進(jìn)步由于本發(fā)明方法中所使用的織物光照?qǐng)D像獲取裝置應(yīng)用環(huán)境與人工評(píng)價(jià)的環(huán)境比較接近，因此，使評(píng)價(jià)結(jié)果更具可比性，特別是，結(jié)合三維重建和等級(jí)評(píng)定領(lǐng)域的新穎算法，可以較為準(zhǔn)確地評(píng)定織物的平整度等級(jí)；本發(fā)明方法中，由于采用自適應(yīng)模糊神經(jīng)網(wǎng)模式識(shí)別來評(píng)定織物的平整度，其融合了模糊邏輯和神經(jīng)元網(wǎng)絡(luò)各自的優(yōu)點(diǎn)，采用光度立體視覺法提取織物平整度的特征值，輸入自適應(yīng)神經(jīng)網(wǎng)絡(luò)中，所評(píng)定的主、客觀相關(guān)系數(shù)達(dá)到97.91％，評(píng)定級(jí)差在0.5級(jí)以內(nèi)所占比例為96.15％，以較大的幅度超過了已有技術(shù)所達(dá)到的與主觀評(píng)定結(jié)果相吻合的相關(guān)指標(biāo)。


圖1是本發(fā)明方法技術(shù)路線示意圖。
圖2是實(shí)施本發(fā)明方法的系統(tǒng)結(jié)構(gòu)示意圖。
圖3是本發(fā)明方法中的光度立體視覺法三維重建算法流程圖。
圖4是本發(fā)明方法中的模式識(shí)別程序流程圖。
具體實(shí)施例方式下面根據(jù)圖1～圖4給出本發(fā)明方法一個(gè)較好實(shí)施例，并結(jié)合對(duì)實(shí)施例的描述，進(jìn)一步給出本發(fā)明方法的技術(shù)細(xì)節(jié)，以使能更好地說明本發(fā)明的技術(shù)特征和功能特色，但不是用來限制本發(fā)明的權(quán)利要求保護(hù)范圍。
首先，根據(jù)圖1所示，實(shí)施本發(fā)明的技術(shù)路線，并按本發(fā)明方法建立實(shí)施本發(fā)明的工作系統(tǒng)，如圖2所示，實(shí)施本發(fā)明方法的系統(tǒng)包括微機(jī)1、固定支架2、CCD攝像機(jī)3、織物光照?qǐng)D像獲取裝置4、特征提取DSP模塊7和等級(jí)評(píng)定DSP模塊8，該織物光照?qǐng)D像獲取裝置4包括光源平面41、織物樣本42或織物模板42’以及膠合板40，其中織物樣本42或織物模板42’安置在膠合板40上，膠合板40的平面與光源平面41平行，且都與豎直平面成5°夾角，CCD攝像機(jī)3安裝在固定支架2上，其攝取方向與光源平面41垂直，也即與織物樣本42或織物模板42’的放置平面垂直，從而保證攝取到最佳的光照?qǐng)D像，光源平面41上均勻分布8個(gè)點(diǎn)光源，這些點(diǎn)光源依次單獨(dú)點(diǎn)亮，或光源平面41上均勻分布8個(gè)停置點(diǎn)，一個(gè)點(diǎn)光源受控沿著這些停置點(diǎn)逐一停留，如此，可得到8個(gè)不同光照?qǐng)D像。整個(gè)實(shí)驗(yàn)，即圖像采集步驟在暗室中進(jìn)行，以防止其它光線進(jìn)入，影響實(shí)驗(yàn)結(jié)果，實(shí)施例中，CCD攝像機(jī)3為PanasonicWv-cp410/G型，分辨率為380線，圖像采集卡為微視MVPCI-V3型。
并在微機(jī)1中建立基于光度立體視覺法的三維重建DSP模塊6，其程序流程如圖3所示。
光度立體視覺法是從多幅灰度圖像出發(fā)，利用圖像與物體幾何形狀的關(guān)系來恢復(fù)物體三維表面形狀。
該算法的基本實(shí)現(xiàn)過程是1)利用光照模型計(jì)算物體表面任一點(diǎn)P的的圖像灰度(即圖像亮度)Ip＝kdcosθ＝kdsTn(1.1)其中n＝(nx，ny，nz)T，為P點(diǎn)單位法向量，即‖n‖＝1；S＝(Sx，Sy，Sz)T也是歸一化后的光源方向向量。
2)為得到多幅光照?qǐng)D像，光源分別為S1，S2，...Si，...Sm，在實(shí)驗(yàn)中，光源依次開啟(即每次只開啟一個(gè))，得到m幅光照?qǐng)D像，設(shè)物體表面P點(diǎn)在光照?qǐng)D像中的灰度值分別為Ip1，Ip2，...Ipi，...Ipm，式(1)轉(zhuǎn)化為Ip=Ip1Ip2MIpiMIpm=kdSpNp=kdSp1Sp2MSpiMSpmNp---(i=1,2,Λm)---(1.2)]]>可利用最小二乘法解出Np與kd。
3)物體表面空間形狀可表示為S＝Z(X，Y) (1.3)對(duì)于物體表面任意一點(diǎn)P(X，Y，Z)，它的圖像坐標(biāo)(x，y)為(1.4)其中，f為攝像機(jī)焦距，由于一般物體表面各點(diǎn)Z的變化比起物體到攝像機(jī)的距離Z0要小得多，可以近似認(rèn)為Z＝Z0，即Z為一常數(shù)，故式(4)可寫為x＝kX y，＝kY (1.5)其中，k＝f/Z0為一比例系數(shù)，可近似認(rèn)為是常數(shù)。
4)物體表面任意一點(diǎn)P(X，Y，Z)的單位法線向量n＝(nx，ny，nz)T用圖像坐標(biāo)(x，y)可表示為n≡1k2+(∂Z∂x)2+(∂Z∂y)2(-∂Z∂z,-∂Z∂y,k)T--(1.6)]]>∂Z∂x=-nx=-knxnz,∂Z∂y=-ny=-knynz,k=nz--(1.7)]]>則物體表面形狀Z(X，Y)可由式(7)中的兩個(gè)偏微分方程解得。如令z=Zk,]]>則有∂z∂x=-nx/nz,]]>∂z∂y=-ny/nz---(1.8)]]>
5)實(shí)際計(jì)算中，由于圖像已離散化，故利用有限差分法進(jìn)行迭代計(jì)算，可由任一點(diǎn)z(x0，y0)＝z0出發(fā)(即邊界條件，一般取0)，選取適當(dāng)?shù)牟介L(zhǎng)δ，求出與(x0，y0)相鄰的(x0+δ，y0)，(x0-δ，y0)與(x0，y0+δ)，(x0，y0-δ)點(diǎn)的z值，并依次推進(jìn)，即可得到所有離散圖像點(diǎn)上的z值。
z(x0+δ，y0)＝-nx/nz+z(x0，y0)， z(x0，y0+δ)＝-ny/nz+z(x0，y0)；z(x0-δ，y0)＝nx/nz+z(x0，y0)， z(x0，y0-δ)＝ny/nz+z(x0，y0)；M(1.9)在微機(jī)1中建立特征提取DSP模塊7，專門用于計(jì)算機(jī)圖像特征值的提取。
利用三維重建算法所獲得的織物三維輪廓數(shù)據(jù)，提取反映織物平整度的特征參數(shù)，它們分別是對(duì)比度、功率譜密度、分形維數(shù)，表面面積、粗糙度、扭曲度、峰度、平均偏移量、整體折皺密度和尖銳度。每種特征參數(shù)的計(jì)算如下5)對(duì)比度(contrast)contrast=Σi=1NΣj=1N(zi-zj)2Mi,j>0--(2.1)]]>其中zl，zj表示任意一對(duì)空間點(diǎn)的高度值，M為共生矩陣的頻率值，大小為N×N6)功率譜密度(P)P(u，v)＝|F(u，v)|2(2.2)其F|(u,v)=1MNΣx=0M-1F(x,u)exp(-2jπuxM)]]>F(x,u)=N{1NΣy=0N-1z(x,y)exp(-2jπvyN)}]]>N，M分別為圖像的行數(shù)和列數(shù)；u，v代表兩個(gè)實(shí)頻率變量，變量u對(duì)應(yīng)于x軸，變量v對(duì)應(yīng)于y軸；u＝0，1，2，Λ，M-1，v＝0，1，2，Λ，N-1；F(u，v)為空間頻譜，z(x，y)為重建后的三維表面形態(tài)。
7)分形維數(shù)(D)lnN(λ)＝lnK-Dlnλ(2.3)其中N(λ)—尺度個(gè)數(shù)λ—尺度D—分形維數(shù)K—比例系數(shù)4)表面面積(Sn)Sa=Σi=1NΣj=1N(Zx,y-Zx+i,y+j)--(2.4)]]>其中Zx，y—代表一列(行)中的所有高度值。
Zx+i，y+j—代表相鄰行或(列)中的高度值。
5)粗糙度(σ)σ=1N2Σi=1NΣj=1N(z(i,j)-z(i,j)‾)2--(2.5)]]>其中z(i，j)—織物表面任意一點(diǎn)的高度值 —表面高度的平均值N2—折皺圖像的高度點(diǎn)總數(shù)6)扭曲度(S)S=1N2Σi=1NΣj=1N(z(i,j)-z(i,j)‾)3/σ3]]>
(2.6)7)峰度(K)K=1N2Σi=1NΣj=1N(z(i,j)-z(i,j)‾)4/σ4--(2.7)]]>8)平均偏移量(Ra)Ra=1N2Σi=1NΣj=1N(|z(i,j)-z(i,j)‾|)--(2.8)]]>9)整體折皺密度(Wd)Wd＝∑(各區(qū)間的折皺數(shù))/N2(2.9)10)尖銳度(Sharpness)Sharpness=Σi=1MΣj=1MHi,j/Wi,j--(2.10)]]>其中波峰的高度為H，波谷的寬度為W，M代表橫向(或縱向)列數(shù)在微機(jī)1中建立等級(jí)評(píng)定DSP模塊8，其程序流程如圖4所示，采用基于減法聚類的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)(ANFIS)客觀評(píng)定織物平整度等級(jí)自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)融合了模糊邏輯和神經(jīng)元網(wǎng)絡(luò)各自的優(yōu)點(diǎn)，實(shí)現(xiàn)該方法的總體框架流程如圖4所示，通常的模糊神經(jīng)網(wǎng)絡(luò)模型其輸入子集的個(gè)數(shù)和原始模型都是人為確定，有很大的隨意性。在此采用減法聚類來確定它們。這種方法的優(yōu)點(diǎn)是在無先驗(yàn)數(shù)據(jù)集合經(jīng)驗(yàn)的基礎(chǔ)上，經(jīng)計(jì)算能自動(dòng)將數(shù)據(jù)歸類，形成不同的聚類中心，聚類中心的個(gè)數(shù)即為聚類數(shù)，主要用來確定if-then模糊規(guī)則數(shù)和輸入變量的隸屬度函數(shù)個(gè)數(shù)。這種應(yīng)用減法聚類方法來確定模糊規(guī)則數(shù)和輸入變量隸屬度函數(shù)個(gè)數(shù)的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)就是基于減法聚類的自適應(yīng)神經(jīng)網(wǎng)絡(luò)，應(yīng)用這種神經(jīng)網(wǎng)絡(luò)可對(duì)織物平整度等級(jí)進(jìn)行客觀評(píng)定。
在減法聚類算法中，聚類中心的候選集為數(shù)據(jù)點(diǎn)，每個(gè)數(shù)據(jù)點(diǎn)都有可能作為聚類中心，可根據(jù)各個(gè)數(shù)據(jù)點(diǎn)周圍的數(shù)據(jù)點(diǎn)密度來計(jì)算該點(diǎn)作為聚類中心的可能性。
減法聚類具體學(xué)習(xí)算法的步驟如下1.確定初始參數(shù)，最小誤差值和迭代次數(shù)。
2.對(duì)于M維空間的n個(gè)數(shù)據(jù)點(diǎn)(x1，x2，...xn)，由于每個(gè)數(shù)據(jù)點(diǎn)都是聚類中心的候選者，因此，數(shù)據(jù)點(diǎn)xi處的密度指標(biāo)定義為Di=Σj=1nexp(-||xi-xj||2(γα/2)2)--(3.1)]]>這里γα是一個(gè)正數(shù)，xj是與xi相鄰的點(diǎn)，顯然，如果一個(gè)數(shù)據(jù)點(diǎn)有多個(gè)鄰近的數(shù)據(jù)點(diǎn)，則該數(shù)據(jù)點(diǎn)具有高密度值。半徑γα定義了該點(diǎn)的一個(gè)鄰域，半徑以外的數(shù)據(jù)點(diǎn)對(duì)該點(diǎn)的密度指標(biāo)貢獻(xiàn)甚微。
3.在計(jì)算每個(gè)數(shù)據(jù)點(diǎn)指標(biāo)后，選擇具有最高密度指標(biāo)的數(shù)據(jù)點(diǎn)為第一個(gè)聚類中心，令xc1為選中的點(diǎn)，Dc1為其密度指標(biāo)。那么每個(gè)數(shù)據(jù)點(diǎn)xi的密度指標(biāo)可用公式(3.2)修正。
Di=Di-Dc1exp(-||xi-xc1||2(γb/2)2)--(3.2)]]>其中γb是一個(gè)正數(shù)，一般是γb＝1.5γα。顯然，靠近第一個(gè)聚類中心xc1的數(shù)據(jù)點(diǎn)的密度指標(biāo)將顯著減少，這樣使得這些點(diǎn)不太可能選為下一個(gè)聚類中心。
4.修正了每個(gè)數(shù)據(jù)點(diǎn)的密度指標(biāo)后，選定下一個(gè)聚類中心xc2，再次修正數(shù)據(jù)點(diǎn)的所有密度指標(biāo)。該過程不斷重復(fù)，一直持續(xù)到所有剩余的數(shù)據(jù)點(diǎn)作為聚類中心的可能性低于最小誤差值，聚類過程結(jié)束。
過程結(jié)束時(shí)的聚類中心個(gè)數(shù)即為輸入子集的個(gè)數(shù)，并由此可確定模糊規(guī)則數(shù)和輸入變量隸屬度函數(shù)個(gè)數(shù)。
以下提供按圖2所示的本發(fā)明實(shí)施系統(tǒng)，并依照?qǐng)D1所示的本發(fā)明方法的技術(shù)路的具體作法。
首先利用圖2所示的織物光照?qǐng)D像采集裝置4，獲取織物平整度等級(jí)模板和織物樣本42圖像，圖像采集的具體步驟為a1固定好織物樣本42，并將攝像機(jī)對(duì)準(zhǔn)織物樣本42的中央，將CCD攝像機(jī)3與計(jì)算機(jī)1的圖像采集卡5相連，然后打開攝像機(jī)3。
a2拉上黑幕使實(shí)驗(yàn)環(huán)境成為暗室。
a3依次開啟光源41，并進(jìn)行圖像采集，但需保證每次采集只有一個(gè)光源照射在織物樣本42上。由于本系統(tǒng)采用8個(gè)光源，故每一種織物試樣將有八幅光照?qǐng)D像。
接下來對(duì)織物平整度模板進(jìn)行三維重建和特征提取。具體步驟為a4以美國(guó)AATCC織物平整度模板為標(biāo)準(zhǔn)，利用圖2織物光照?qǐng)D像采集裝置4，采集不同平整度等級(jí)織物模板的圖像。
a5利用圖2所示計(jì)算機(jī)系統(tǒng)1和圖3提供的三維重建算法，重建織物模板的三維表面形狀，并從獲取的織物模板輪廓數(shù)據(jù)中提取反映織物平整度的特征參數(shù)，采用的特征值為對(duì)比度、功率譜密度等10種。
a6使用圖2中的圖像采集裝置4，采集不同類型織物試樣的原始圖像和光照?qǐng)D像，并利用步驟a5進(jìn)行織物的三維重建和特征提取。
最后是織物平整度等級(jí)的客觀評(píng)定，即模式識(shí)別過程。
先將提取的特征參數(shù)值作為模式識(shí)別的輸入量，然后利用自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)(ANFIS)客觀評(píng)定織物的平整度等級(jí)。實(shí)施的具體步驟為e1、將織物模板的特征參數(shù)值輸入自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)之中，經(jīng)過學(xué)習(xí)和訓(xùn)練，得到不同平整度等級(jí)的輸出值。
e2、將織物樣本的特征參數(shù)值輸入自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)之中，同樣經(jīng)過學(xué)習(xí)和訓(xùn)練過程，得到不同種類織物樣本的輸出值。
e3、將織物樣本的輸出值與織物模板的輸出值進(jìn)行對(duì)照，利用“擇近原則”確定織物樣本的平整度等級(jí)。
權(quán)利要求
1.一種織物平整度等級(jí)客觀評(píng)定方法，其步驟包括a.利用同一織物光照?qǐng)D像獲取裝置，對(duì)織物模板和織物樣本，以迭代方法攝取相應(yīng)的多幅灰度圖像；b.利用圖像處理系統(tǒng)，將所采集的多幅織物模板灰度圖像和織物樣本灰度圖像分別轉(zhuǎn)換成織物模板二維數(shù)字圖像和織物樣本二維數(shù)字圖像；c.利用圖像處理系統(tǒng)，將所建立的織物模板二維數(shù)字圖像和織物樣本二維數(shù)字圖像分別重建成織物模板三維圖像和織物樣本三維圖像；d.利用圖像處理系統(tǒng)，分別對(duì)重建的織物模板三維圖像和織物樣本三維圖像提取特征參數(shù)；最后，e.對(duì)`所提取的織物模板圖像特征參數(shù)和織物樣本圖像特征參數(shù)采用模式識(shí)別法評(píng)定該織物的平整度。
2.根據(jù)權(quán)利要求1所述的織物平整度等級(jí)客觀評(píng)定方法，其特征在于所說的利用織物光照?qǐng)D像獲取裝置拍攝織物樣本或模板灰度圖像，是將織物樣本或模板放置在膠合板上，該膠合板平面與一光源平面平行，且都與豎直平面成5°夾角，一CCD攝像機(jī)安裝在一固定支架上，其攝取方向與該光源平面垂直，該光源平面上均勻分布8個(gè)點(diǎn)光源，這些點(diǎn)光源依次開啓，或該光源平面上均勻分布8個(gè)光源停置點(diǎn)，移動(dòng)點(diǎn)光源，其依次經(jīng)過該8個(gè)光源停置點(diǎn)，而得到8個(gè)不同光照?qǐng)D像，整個(gè)過程均在暗室中進(jìn)行。
3.根據(jù)權(quán)利要求1或2所述的織物平整度等級(jí)客觀評(píng)定方法，其特征在于所說的將所采集的若干幅織物樣本或模板灰度圖像轉(zhuǎn)換成織物樣本或織物模板二維數(shù)字圖像，是利用一圖像采集卡將該CCD攝像機(jī)所攝取的織物樣本或織物模板圖像轉(zhuǎn)換為織物樣本或織物模板二維數(shù)字圖像。
4.根據(jù)權(quán)利要求1所述的織物平整度等級(jí)客觀評(píng)定方法，其特征在于所說的將建立的織物樣本或織物模板的二維數(shù)字圖像重建成織物的樣本或模板三維圖像是采用光度立體視覺法，從多幅灰度圖像出發(fā)，結(jié)合有限差分法進(jìn)行迭代計(jì)算來重建織物的樣本或模板三維形狀。
5.根據(jù)權(quán)利要求1所述的織物平整度等級(jí)客觀評(píng)定方法，其特征在于所說的織物特征參數(shù)提取是對(duì)織物三維重建算法所獲得的織物樣本或織物模板的三維輪廓數(shù)據(jù)，提取反映織物平整度的特征參數(shù)，其包括對(duì)比度、功率譜密度、分形維數(shù)、表面面積、粗糙度、扭曲度、峰度、平均偏移量、整體折皺密度和尖銳度。
6.根據(jù)權(quán)利要求1所述的織物平整度等級(jí)客觀評(píng)定方法，其特征在于采用自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法來評(píng)定織物的平整度等級(jí)，包括三個(gè)步驟e1.將織物模板的特征參數(shù)值輸入神經(jīng)網(wǎng)絡(luò)之中，經(jīng)過學(xué)習(xí)和訓(xùn)練，輸出競(jìng)爭(zhēng)獲勝的神經(jīng)元，以獲勝的神經(jīng)元代表不同等級(jí)的平整度模板，從而，將不同等級(jí)的平整度模板劃分成不同的類別。e2.將織物樣本的特征參數(shù)值輸入神經(jīng)網(wǎng)絡(luò)之中，利用步驟e1對(duì)不同的織物樣本進(jìn)行分類。e3.將織物樣本的類別與織物模板的類別進(jìn)行對(duì)照，確定織物樣本的平整度等級(jí)。
全文摘要
一種織物平整度等級(jí)客觀評(píng)定方法，其步驟包括a.利用同一織物光照?qǐng)D像獲取裝置，采集織物模板和織物樣本相應(yīng)的若干幅灰度圖像；b.利用圖像處理系統(tǒng)，對(duì)所采集的灰度圖像轉(zhuǎn)化成二維數(shù)字圖像；c.根據(jù)二維數(shù)字圖像分別重建三維織物模板圖像和織物樣本圖像；d.分別提取織物模板三維圖像和織物樣本三維圖像的特征參數(shù)；e.對(duì)所得二種圖像的特征參數(shù)采用模式識(shí)別方法評(píng)定織物的平整度。按本發(fā)明評(píng)定方法評(píng)定結(jié)果，主客觀相關(guān)系數(shù)達(dá)97.91％，評(píng)定級(jí)差在0.5級(jí)以內(nèi)所占比例為96.15％，具有顯著的技術(shù)進(jìn)步和實(shí)質(zhì)性特點(diǎn)。
文檔編號(hào)G06T11/00GK1523352SQ0315093
公開日2004年8月25日 申請(qǐng)日期2003年9月12日 優(yōu)先權(quán)日2003年9月12日
發(fā)明者楊曉波, 黃秀寶 申請(qǐng)人:東華大學(xué)