洗后織物外觀視覺(jué)特征編碼與折皺評(píng)級(jí)

徐平華， 冒海琳， 沈紅影， 丁雪梅

(1. 浙江理工大學(xué) 服裝學(xué)院， 浙江 杭州 310018； 2. 浙江省服裝工程技術(shù)研究中心， 浙江 杭州 310018； 3. 江蘇依海服飾有限公司， 江蘇 南通 226007； 4. 東華大學(xué) 服裝與藝術(shù)設(shè)計(jì)學(xué)院， 上海 200051)

織物外觀平整度體現(xiàn)了面料經(jīng)洗滌、烘干后的形狀保持性，被廣泛用于評(píng)價(jià)面料性能、整理效果、洗滌劑及洗護(hù)設(shè)備的護(hù)理性能等[1-2]。由于現(xiàn)有客觀評(píng)級(jí)方法的主客觀一致率偏低，當(dāng)前檢測(cè)機(jī)構(gòu)仍采用AATCC 124—2018《織物經(jīng)多次家庭洗滌后的外觀平整度測(cè)定》規(guī)定的人工方式評(píng)估折皺等級(jí)，然而，人工評(píng)級(jí)存在如評(píng)級(jí)精度低、穩(wěn)定性差、再現(xiàn)性弱等不足，極易引起貿(mào)易雙方的質(zhì)量糾紛[3-4]；因此，亟需建立客觀、準(zhǔn)確、快捷的客觀評(píng)級(jí)方法，以適應(yīng)精確檢測(cè)以及出入境快速通關(guān)的需求。

計(jì)算機(jī)視覺(jué)技術(shù)具有快速、無(wú)損、可重復(fù)等優(yōu)勢(shì)，在織物外觀平整度客觀評(píng)級(jí)方法研究中，研究人員利用計(jì)算機(jī)視覺(jué)技術(shù)，從織物折皺圖像或空間形貌入手，對(duì)織物的折皺形態(tài)特征進(jìn)行提取和分類(lèi)[5-6]。在折皺信息提取方面，如空間域的局部或全局灰度波動(dòng)信息[7-8]與起皺形態(tài)學(xué)信息、變換域的變異程度和統(tǒng)計(jì)信息以及空間形貌下折皺位置和高度信息等[9-10],研究人員對(duì)提煉的50余種特征進(jìn)行嘗試分類(lèi)后，主客觀一致率未能大幅度提升，無(wú)法滿足平整度精確識(shí)別的檢測(cè)需求，至今仍未出現(xiàn)有效的商用檢測(cè)儀器[11-12]。其困難之處在于：折皺位置、尺度的不定性，標(biāo)準(zhǔn)樣板的弱覆蓋性，織物表面花型和色彩的干擾性等[5]。

本文針對(duì)面料整理效果、洗滌劑和洗護(hù)設(shè)備護(hù)理效果評(píng)價(jià)的現(xiàn)實(shí)需求，提出以純色織物為測(cè)試樣，在建立洗后織物折皺圖像數(shù)據(jù)庫(kù)的基礎(chǔ)上，利用融合多尺度圖像視覺(jué)編碼和多分類(lèi)支持向量機(jī)的分類(lèi)方法，實(shí)現(xiàn)洗后織物外觀平整度的自動(dòng)評(píng)級(jí)，有效提升了主客觀一致率。

1 實(shí)驗(yàn)樣本處理與圖像采集

1.1 樣本選擇與處理

本文旨在構(gòu)建一種能夠有效評(píng)價(jià)面料抗皺整理效果、洗滌劑和洗護(hù)設(shè)備護(hù)理效果的評(píng)價(jià)方法，面料材質(zhì)、表面色彩和花型不作考慮。實(shí)驗(yàn)過(guò)程中，選擇市場(chǎng)常用的襯衫面料(廣東溢達(dá)紡織有限公司)作為本文實(shí)驗(yàn)的測(cè)試樣本。面料成分為100%棉，組織結(jié)構(gòu)為平紋，經(jīng)密為567根/(10 cm)，緯密為283根/(10 cm)，經(jīng)、緯向紗線線密度均為14.6 tex,面密度為(128±5) g/m2。面料處理工藝為燒毛、退漿、煮練(不絲光、不軋光、不上漿、不上藍(lán)、不上增白劑)的半漂無(wú)抗皺整理白色織物，滿足GBT 406—2018《棉本色布》優(yōu)等品要求。表面均勻平整、紋路清晰、無(wú)油漬、黃斑和破損。

實(shí)驗(yàn)過(guò)程中，選擇了海爾、小天鵝、松下等7家市面上常用的品牌洗衣機(jī)、烘干機(jī)和熨燙機(jī)。整個(gè)護(hù)理過(guò)程參照AATCC 124—2018及商家使用說(shuō)明，除了采集標(biāo)準(zhǔn)提供的6塊立體標(biāo)準(zhǔn)樣板外，以實(shí)際洗滌、烘干或熨燙的織物折皺形態(tài)圖像作為實(shí)驗(yàn)樣本，最終設(shè)計(jì)形成涵蓋9檔(1～5級(jí)，半級(jí)為1檔)，共計(jì)650種不同折皺形態(tài)的織物試樣。

1.2 織物折皺圖像采集

為了構(gòu)建統(tǒng)一、穩(wěn)定的圖像采集環(huán)境，本文實(shí)驗(yàn)自行設(shè)計(jì)了織物采集箱體?？椢飯D像采集箱體見(jiàn)圖1，包含了箱體結(jié)構(gòu)框架、抽拉式載物臺(tái)、工業(yè)相機(jī)等。

圖1 織物圖像采集箱體Fig.1 Hardware of image acquisition

其中，相機(jī)為T(mén)XG50型黑白CCD工業(yè)相機(jī)(德國(guó)BAUMER電氣有限公司)，其具有高速、高靈敏度、超低噪聲和大視場(chǎng)等優(yōu)勢(shì)。利用該圖像采集裝置采集了650幅織物折皺圖像，圖像大小為2 448像素×2 050像素。載物臺(tái)大小為50 cm×50 cm，載物臺(tái)劃線區(qū)域大小為38 cm×38 cm。箱體采用黑色亞克力板材，內(nèi)壁為深灰涂層。內(nèi)置光源為雙排LED條形光源的OPPLE T5燈管(歐普照明股份有限公司)。

部分織物試樣圖像如圖2所示。織物經(jīng)圖像采集后，對(duì)相機(jī)進(jìn)行標(biāo)定、圖像矯正，將原始圖像按照載物臺(tái)劃線區(qū)域大小分割處理形成類(lèi)似圖2的織物圖像。

圖2 部分織物試樣圖像Fig.2 Partial fabric sample images. (a) Grade 1; (b) Grade 1.5; (c) Grade 2 (d) Grade 2.5;(e) Grade 3; (f) Grade 3.5; (g) Grade 4; (h) Grade 4.5; (i) Grade 5

2 織物折皺特征編碼

2.1 D-SIFT特征提取

為了模擬人眼在觀測(cè)面料外觀形態(tài)時(shí)由遠(yuǎn)及近的聚焦過(guò)程[13]，本文利用圖像尺度變換，可獲得不同分辨率下的折皺圖像。如假設(shè)原始圖像尺度為m×m，分別縮小至原始尺寸的1/4、1/16大小，可形成三級(jí)尺度圖像。

圖像特征變換(dense scale invariant feature transform，D-SIFT)在目標(biāo)分類(lèi)和場(chǎng)景分類(lèi)中有重要應(yīng)用，能夠?qū)斎雸D像進(jìn)行分塊SIFT特征提取。所謂SIFT特征，是指對(duì)劃定區(qū)域每個(gè)像素的SIFT特征[14]進(jìn)行提取。D-SIFT根據(jù)可調(diào)的參數(shù)大小，來(lái)適當(dāng)滿足不同分類(lèi)任務(wù)下對(duì)圖像特征的表征能力；而傳統(tǒng)的SIFT算法僅對(duì)整幅圖像進(jìn)行處理，得到一系列特征點(diǎn)。檢測(cè)窗口數(shù)N可由式(1)算出。D-SIFT特征提取實(shí)現(xiàn)路徑見(jiàn)圖3，可分別提取同一樣本3個(gè)不同尺度圖像的D-SIFT特征。(圖中右側(cè)框型內(nèi)每個(gè)小方塊代指檢測(cè)出的D-SIFT特征)

(1)

式中：m′為泛指任意一圖像的尺寸，像素；p為采樣窗口寬度，設(shè)定為16像素；v為步進(jìn)大小，設(shè)定為6像素；? 」表示向下取整。

注：m表示原圖像尺寸；t表示圖像移動(dòng)的距離。圖3 D-SIFT特征提取實(shí)現(xiàn)路徑Fig.3 Pipeline of D-SIFT feature extraction

窗口以t個(gè)像素間隔滑動(dòng)，在計(jì)算每個(gè)窗口內(nèi)中心點(diǎn)的SIFT特征時(shí)，將窗口均分劃分為16個(gè)矩形單元，每個(gè)單元梯度方向數(shù)為8，因此中心點(diǎn)形成128維度的特征向量。對(duì)于1幅大小為m′×m′的圖像，經(jīng)處理得到N個(gè)128維的特征向量，因此，如圖3所示，同一樣本的3個(gè)不同尺度圖像，利用窗口滑動(dòng)計(jì)算各自的D-SIFT特征序列；再將圖3右側(cè)3個(gè)框型內(nèi)D-SIFT特征依次串聯(lián)后，構(gòu)建為有序D-SIFT陣列，用以表示該樣本的底層特征。

2.2 特征編碼

詞袋模型(bag-of-words, BOW)[15]近年來(lái)在圖像分類(lèi)和識(shí)別領(lǐng)域被廣泛應(yīng)用。利用無(wú)序局部區(qū)域描述子集合，將圖像表示成離散化的“視覺(jué)詞匯”，繼而統(tǒng)計(jì)每類(lèi)圖像“視覺(jué)詞匯”頻次，構(gòu)建該類(lèi)專屬的“視覺(jué)字典”。對(duì)于織物折皺而言，AATCC 124—2018《織物經(jīng)多次家庭洗滌后的外觀平整度測(cè)定》劃分出5級(jí)9檔，利用D-SIFT可構(gòu)建出9類(lèi)專屬“視覺(jué)字典”，但因BOW是基于無(wú)序“視覺(jué)詞匯”構(gòu)建的1幅圖像，失去了特征空間關(guān)系這一重要信息[15]，不利于描述對(duì)折皺形態(tài)描述。為彌補(bǔ)這一缺陷，在圖像尺度變換實(shí)現(xiàn)窗口多尺度放縮的基礎(chǔ)上，利用線性排列方式，將特征進(jìn)行按序排列。

進(jìn)一步地，需要對(duì)現(xiàn)有冗余特征進(jìn)行降維，構(gòu)建具有較強(qiáng)代表性的“視覺(jué)詞典”。由式(2)～(4)可計(jì)算最優(yōu)的稀疏U值以及該類(lèi)別的視覺(jué)詞匯W解。

?g=1,2,…，G

(2)

X=[x1,x2,…，xi]∈RM×D

(3)

W=[w1,w2,…,wg]T

(4)

式中：U表示最優(yōu)稀疏值；X為D-SIFT特征向量的集合；xi為X中的第i個(gè)特征；λ為調(diào)節(jié)系數(shù)；ui為第i維度的詞匯系數(shù)；W為“視覺(jué)詞典”；wg為第g個(gè)“視覺(jué)詞匯”；G為詞匯數(shù)量；‖·‖為L(zhǎng)2范數(shù)，可約束結(jié)果至平凡解；M、D分別為二維特征向量的縱橫向尺度，單位為像素。

通過(guò)對(duì)訓(xùn)練樣本特征進(jìn)行迭代訓(xùn)練，形成各級(jí)最優(yōu)視覺(jué)詞匯庫(kù)和編碼系數(shù)，作為該等級(jí)分類(lèi)判定的依據(jù)。

3 外觀平整度客觀等級(jí)評(píng)定與驗(yàn)證

3.1 客觀等級(jí)評(píng)定

首先，提取測(cè)試圖像D-SIFT特征，獲得稠密的SIFT點(diǎn)，其次，利用式(2)對(duì)其視覺(jué)詞匯進(jìn)行降維優(yōu)化，形成該圖像的視覺(jué)詞匯包，利用最大值池化的方式[16-17]，構(gòu)建出該測(cè)試圖像的稀疏融合特征，用以表征測(cè)試樣本。

支持向量機(jī)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法,因其可以避免過(guò)擬合的優(yōu)越性質(zhì)現(xiàn)已廣泛應(yīng)用于人工智能的各個(gè)領(lǐng)域。假設(shè)訓(xùn)練集X的特征向量為xi,i=1,2,…,N，通過(guò)線性分類(lèi)器在n維的數(shù)據(jù)空間中尋找1個(gè)超平面進(jìn)行特征分類(lèi)。在等級(jí)評(píng)定階段，首先判定測(cè)試樣本的初始等級(jí)，初始等級(jí)精度為0.5級(jí)。其次，利用多分類(lèi)支持向量機(jī)，采用一對(duì)多的方式構(gòu)建n×(n-1)/2個(gè)分類(lèi)器，即通過(guò)36次分類(lèi)計(jì)算實(shí)現(xiàn)9檔的初始判定。核函數(shù)是一種特征空間的隱式映射，通過(guò)將數(shù)據(jù)映射到高維空間來(lái)解決在原始空間中線性不可分的問(wèn)題。在設(shè)定支持向量機(jī)的核函數(shù)時(shí)，結(jié)合池化出來(lái)的特征，可構(gòu)建可函數(shù)，形式見(jiàn)式(5)。

(5)

(6)

至此，當(dāng)檢測(cè)來(lái)樣時(shí)，判定其外觀平整度等級(jí)精度為0.5級(jí)。進(jìn)一步依據(jù)線性距離關(guān)系，將各檔之間劃分為5個(gè)區(qū)域，控制精度為0.1級(jí)，依據(jù)距離落地位置，二次優(yōu)化判定結(jié)果，形成精度為0.1級(jí)的平整度客觀等級(jí)。

3.2 主客觀一致率驗(yàn)證

依據(jù)GB/T 13769—2009 《紡織品 評(píng)定織物經(jīng)洗滌后外觀平整度的試驗(yàn)方法》，實(shí)驗(yàn)邀請(qǐng)3名行業(yè)內(nèi)專家，對(duì)照標(biāo)準(zhǔn)樣照，各自獨(dú)立評(píng)定織物外觀平整度等級(jí)，將專家評(píng)定結(jié)果算術(shù)平均后記為試樣的主觀評(píng)級(jí)等級(jí)。

文中提及的主客觀一致率，指專家評(píng)定結(jié)果平均值與儀器評(píng)定結(jié)果的偏差絕對(duì)值小于或等于0.5級(jí)，記為“一致”；偏差絕對(duì)值大于0.5級(jí)，記為“不一致”。主客觀一致率計(jì)算方法見(jiàn)式(7)。

(7)

式中：C為主客觀一致率，%；n為“一致”數(shù)量，即統(tǒng)計(jì)的主客觀等級(jí)偏差絕對(duì)值小于等于0.5的試樣數(shù)量；A為測(cè)試樣本總數(shù)。

4 實(shí)驗(yàn)結(jié)果

評(píng)級(jí)專家對(duì)650張洗后織物樣本進(jìn)行人工評(píng)級(jí)，同時(shí)利用設(shè)計(jì)的箱體對(duì)以上試樣進(jìn)行圖像采集、圖像切割處理，形成38 cm×38 cm的可視區(qū)域圖像。

4.1 折皺等級(jí)視覺(jué)詞匯庫(kù)構(gòu)建

利用上述稀疏編碼算法，實(shí)現(xiàn)圖像子庫(kù)的視覺(jué)詞匯提取。以各檔樣本量50幅訓(xùn)練圖像為例，圖4示出各檔視覺(jué)詞匯可視化結(jié)果，其中任意小方格為1個(gè)詞匯，其維度為128，各維度在該子庫(kù)下均有對(duì)應(yīng)的投影系數(shù)。

圖4 視覺(jué)特征編碼詞匯Fig.4 Visual feature coding vocabulary.(a) Grade 1;(b) Grade 1.5; (c) Grade 2; (d) Grade 2.5; (e) Grade 3;(f) Grade 3.5; (g) Grade 4; (h) Grade 4.5; (i) Grade 5

按照每檔出現(xiàn)的頻率高低分布，提取了前1 024個(gè)關(guān)鍵詞匯(見(jiàn)圖4(a))。視覺(jué)特征編碼詞匯圖如圖4(b)～(i)所示，分別為1.5～5級(jí)代表性視覺(jué)詞匯可視化效果。

4.2 主客觀一致率分析

稀疏編碼算法所獲得的“超完備”基向量可高效地表示樣本數(shù)據(jù)，重建性能好，但如何確定每個(gè)級(jí)別的最小樣本量，對(duì)于本文實(shí)驗(yàn)仍具有重要的意義。本文采用樣本遞增的方式，通過(guò)主客觀一致率遞進(jìn)趨勢(shì)明確最小樣本量。

在數(shù)據(jù)訓(xùn)練和驗(yàn)證環(huán)節(jié)，將以上650幅折皺織物圖像分為2大類(lèi)。第1類(lèi)共計(jì)450幅圖像，按照人工評(píng)級(jí)的均值，在1～5級(jí)(0.5級(jí)為1檔)之間每檔篩選出50幅圖像(允差控制為±0.2級(jí))作為訓(xùn)練樣本。余下的200幅圖像作為第2類(lèi)圖像，即經(jīng)過(guò)篩選后所剩的圖像，作為驗(yàn)證樣本。1～5級(jí)各檔對(duì)應(yīng)的測(cè)試樣本數(shù)量分別為：30、30、30、30、30、20、10、10、10。

具體地，每檔訓(xùn)練樣本量分別設(shè)置為5、10、15、20、25、30、35、40、45、50。以等級(jí)2.5、訓(xùn)練樣本量20為例，首先從該級(jí)的50幅圖像子庫(kù)中隨機(jī)選取20幅圖像。類(lèi)似地，9檔共計(jì)選取了180幅圖像作為訓(xùn)練樣本進(jìn)行測(cè)試。按此方式，對(duì)于每類(lèi)樣本量，均作5次隨機(jī)選取驗(yàn)證樣本進(jìn)行測(cè)試。當(dāng)樣本量上升至50次時(shí)，由于最大訓(xùn)練樣本同為50，不再作隨機(jī)抽取處理。

圖5示出不同訓(xùn)練樣本量下的主客觀一致率。除訓(xùn)練樣本量為450張外，每個(gè)樣本量5個(gè)柱值對(duì)應(yīng)于5次隨機(jī)抽樣下的主客觀一致率。折線控制點(diǎn)為該樣本量下的主客觀一致率均值及標(biāo)準(zhǔn)誤差量。由圖可知，隨著樣本量的增長(zhǎng)，主客觀一致率逐步提升。當(dāng)各檔訓(xùn)練樣本為45張，訓(xùn)練樣本總量為405張時(shí)，主客觀一致率為95.08%，均值標(biāo)準(zhǔn)誤差最小，5次評(píng)級(jí)結(jié)果趨于穩(wěn)定。當(dāng)訓(xùn)練樣本總量為450張時(shí)，主客觀一致率為95.10%，主客觀高度一致。

圖5 主客觀評(píng)價(jià)一致率驗(yàn)證結(jié)果Fig.5 Output of sub-obj rating consistency

此外，本文實(shí)驗(yàn)所用計(jì)算機(jī)CPU為2.9 GHz，RAM為8 G，實(shí)驗(yàn)樣本對(duì)應(yīng)的測(cè)試圖像大小為1 750像素×1 750像素，單張驗(yàn)證樣本檢測(cè)時(shí)間均小于6 s。

5 結(jié) 論

織物折皺特征提取及評(píng)級(jí)算法的有效性，是決定主客觀評(píng)價(jià)一致率的關(guān)鍵因素。本文在模擬人工評(píng)級(jí)過(guò)程中專家視覺(jué)聚焦機(jī)制的基礎(chǔ)上，提出利用圖像稀疏編碼技術(shù)，對(duì)多尺度圖像詞匯特征進(jìn)行篩選和優(yōu)化。以可視化的特征視覺(jué)詞匯再現(xiàn)了織物外觀折皺形態(tài)；在此基礎(chǔ)上，利用多分類(lèi)支持向量機(jī)分類(lèi)算法，實(shí)現(xiàn)了織物表觀折皺的1至5級(jí)(0.5級(jí)為1檔)的客觀評(píng)級(jí)。在最低有效訓(xùn)練樣本的確定中，采用遞增訓(xùn)練樣本量的方式，評(píng)估樣本量對(duì)主客觀一致率支撐作用。實(shí)驗(yàn)結(jié)果表明在各檔最小樣本量為50幅時(shí)，主客觀一致率達(dá)到95.10%，一致率趨于穩(wěn)定，單張樣本檢測(cè)速度小于6 s，滿足當(dāng)前織物外觀平整度的商用檢測(cè)需求。