采用激光測量技術客觀評價織物褶裥等級

方蘇 劉成霞 周澳

摘要： 為避免試樣比照法的偶然性和不確定性，文章提出一種基于綜合指標分析織物褶裥等級的方法。以三維激光掃描儀獲取的褶裥模板點云為研究對象，通過對三維參考面重建將Z軸作為褶裥高度進行分析，對點云進行預處理得到50mm×50mm的點云集合并提取三維特征指標。首先分析單個特征指標與褶裥等級的擬合方程和相關系數，結果表明單個指標不能很好地反映褶裥等級，最后運用逐步回歸分析法建立綜合特征指標與褶裥等級的模型。采用含有褶裥織物樣本檢驗模型，結果表明主客觀評價的吻合度達90%，能合理反映織物褶裥等級，為客觀評價織物褶裥等級提供依據。

關鍵詞： 點云數據；織物褶裥等級；特征指標；逐步回歸；客觀評價

中圖分類號： TS101.9

文獻標志碼： A

文章編號： 1001-7003（2018）06-0019-06

引用頁碼： 061104

Abstract： In order to avoid the contingency and uncertainty of the sample comparison method， a method based on comprehensive indexes to analyze the pleat grade of fabrics is proposed. Pleat template point cloud obtained by 3D laser scanner was taken as the research object. The Z axis as pleat height was analyzed by the reconstruction of the 3D reference plane， and pretreatment of the template point cloud was conducted to obtain a point cluster of 50mm×50mm. Meanwhile， the three-dimensional characteristic indexes were extracted. Firstly， the fitting equation and the correlation coefficient between the individual characteristic index and the pleat grade were analyzed. It was concluded that the single index could not well reflect the fabric pleat grade. Finally， stepwise regression analysis was used to establish a model of comprehensive characteristic index and pleat grade. The model was tested with the samples containing pleated fabrics. The results showed that the coincidence degree of subjective and objective evaluation was 90%， which can reasonably reflect the fabric pleat grade， This paper provides the basis for the objective evaluation of fabric pleats.

Key words： point cloud data； pleat grade of fabric； characteristic index； stepwise regression； objective evaluation

服裝褶裥的等級評定是紡織品外觀評價的一項重要指標，以往多采用AATCC-88C褶裥外觀評級樣照對織物褶裥等級進行評定，這種方法易受個人主觀因素影響帶來誤差。三維激光測量技術作為新興的檢測手段，能收集織物表面起伏信息或褶皺信號[1]，通過提取長度、表面積、最大扭矩等特征值[2]，或是篩選特征點及其鄰域點集重構MLS曲面[3]，最后建立平整度等級虛擬測評系統進行分類[4-5]。但目前運用到織物褶裥等級的測試研究相對較少，因此客觀評價織物褶裥等級避免人為主觀因素影響，提高評級的準確率，成為紡織技術發展的必然趨勢。

本文利用三維非接觸式激光掃描儀采集織物表面的離散數據點，經過濾除噪聲、三維參考面重建、點云截取等預處理后，提取織物褶裥等級的三維特征參數，進行單個特征指標相關性分析，后運用逐步回歸分析得到綜合特征指標與織物褶裥等級的模型，對織物褶裥等級進行客觀評價。運用客觀評價代替主觀評價，建立褶裥等級客觀評價方程式，從而避免主觀評價的偶然性和不確定性，為服裝外觀質量評價提供理論依據。

1 褶裥模板點云數據采集與預處理

1.1 儀 器

REVscan 3D激光掃描儀是Creaform公司Handyscan 3D系列自定位掃描儀產品之一。由雙目手持式掃描儀、人體工程學支架、FireWire連接線、ExpressCard連接卡、電源及2500個磁性定位標記物組成。REVscan 3D激光掃描儀的掃描精度為0.05mm，測量速度18000次/s，具有自定位功能，不需要使用外部跟蹤裝備，不會造成重復采集數據且便于操作。

1.2 三維點云數據的獲取

以AATCC-88C褶裥外觀評級樣照為研究對象，模板隨等級的增大褶裥程度越明顯，將REVscan 3D激光掃描儀對5塊標準樣板CR-1至CR-5在隨機選擇的最佳掃描位置上各掃描5次，共得到25組模板點云數據，其中每個模板包含大約160000個離散數據點，每個點包含了在三維坐標系中的位置和法向量等信息。

1.3 點云數據的預處理

由于測量數據是在隨機最佳位置測得，導致每塊點云都不在同一參考面內，并且測量數據不僅包含被測物體的幾何信息，還不可避免帶有噪聲和磁性定位標記留下的孔洞，需對點云數據進行必要的預處理。預處理過程包括對測量數據的去噪和孔洞修復、三維參考面重建及點云截取。

去噪的目的是濾除各項誤差引起的多余點，將點云數據導入Geomagic Studio 12逆向工程軟件中，通過顯示的點云圖形，結合軟件自帶去噪程序刪除噪點[6]。為得到更直觀的褶裥形態，并使所有點云在同一坐標系內，對獲取的離散點進行三維參考面重建。因褶裥特征明顯，三維重建以X、Y軸為新參考平面，Z軸作為褶裥高度進行后續分析。

為提高分析和計算速度，在保證點云中含有褶裥高度的前提下，統一截取褶裥高度沿Z坐標方向50mm×50mm的點云，截取后每塊點云剩余大約6000個離散數據點。其中模板預處理過程為：導入點云數據集合、點云著色、建立全局坐標系、選取點云平面點、擬合參考平面（以XY軸為新參考平面）、點云封裝、兩次XZ平面裁剪、兩次YZ平面裁剪、點云裁剪成型、轉化為點云，取模板CR-3點云預處理的過程（圖1），取其中一組模板裁剪后成50mm×50mm的點云（圖2）。將25組模板點云在含有褶裥的前提下每組隨機位置上截取4塊點云，得到100組模板點云數據，作為后續分析的樣本。

2 特征參數提取及相關性分析

為探究點云分布形態與褶裥等級的關系，定量描述織物褶裥等級，根據織物褶裥的外觀特征，分別提取四分位差、均偏差、粗糙度、標準差、扭曲度、峰度6個特征值[7]。

四分位差Qd：將高度值由小到大行排列，處在后25%位置高度值為上四分位數Qu與處在前25%位置上高度值為下四分位數Ql的差值。

平均偏移量Ra：平均偏移量是褶皺形成偏移的均值，體現織物表面平整度情況，偏移的大小決定了織物表面的不同平整度。

粗糙度σ：有折痕的織物表面起伏不定，高度也在不斷變化，通過計算織物表面各點高度的標準差，可獲取粗糙度值。

扭曲度Rs：織物的表面扭曲程度在一定程度上反映了織物的平整度。通過計算扭曲度，能夠側面描繪面料的起皺程度。

峰度Rk：面料表面存在褶皺高低不平的現象，凸起的地方像山峰，峰度就是用來表征面料表層的起伏程度，起伏程度與表面折皺有顯著關系。

標準差Rq：常用來反映一個數據集的離散程度。

這些特征值直接或間接地反映了織物表面情況，將標樣的100組點云數據經Matlab計算各標樣特征值。每個標樣得到20組120個數據，將各標樣每種特征值中去掉最大值和最小值，求取各特征參數平均值，如表1所示。

因褶裥為有序變量，采用spearman秩相關性分析法[8]，spearman秩主要適用于兩列變量，而且具有等級變量性質具有線性關系的分析。考察六個特征參數（四分位差Qd、平均偏移量Ra、粗糙度σ、標準差S、扭曲度Rs、峰度Rk）與織物褶裥等級的相關程度。

其中四分位差Qd、平均偏移量Ra、粗糙度σ、標準差S、扭曲度Rs的相關性在置信度（雙側）為0.05時與褶裥等級的相關性均在90%以上，而在兩個置信區間中峰度Rk與褶裥等級的相關性表現得不明顯。說明六個特征參數在保留大量原始信息的基礎上，與褶裥等級之間存在一定相關性，在某種程度上反映了褶裥高度沿Z坐標方向的分布特點。

3 結果與分析

3.1 單變量模型的建立

本文將褶裥高度沿Z坐標方向的特征參數與等級之間進行一階曲線擬合、二階曲線擬合和三階曲線擬合分析，得出擬合方程和相關系數。結果發現在擬合中，隨著擬合階數的增加，相關性系數隨之增加，在進行三階曲線擬合時出現一個等級對應特征值的多個數據，綜合考慮選擇二階曲線擬合作為褶裥等級與單變量特征參數的擬合分析，得到不同褶裥等級的點云沿Z坐標方向上的特征參數分布圖，如圖3所示，其中X軸代表特征參數，Y軸代表褶裥等級。

分析特征參數織物褶裥等級的單變量相關性，四分位差Qd的曲線擬合程度中R2在80%左右，平均偏移量Ra、粗糙度σ、標準差S、扭曲度Rs的曲線擬合程度中R2均大于90%；而在二階曲線擬合特征參數峰度Rk中出現一個褶裥等級對應多個峰度值，且曲線的相關系數僅為19%。由此可見，僅考慮其中任意一個特征參數不能精確地預測點云所代表的實體對象的織物褶裥等級，因此必須綜合考慮各個特征參數與等級之間的關系[9]。

3.2 多變量回歸模型的建立

為進一步探究特征參數與褶裥等級的關系，本文選用逐步回歸的方法[10]，將多變量引入模型排除引起多重共線性的變量，確保回歸方程中只包含顯著性變量，以便得到具有統計意義關系的模型。

逐步回歸的基本思想：將變量逐個引入回歸模型，引入的條件是其偏回歸平方和最小的變量經F檢驗是顯著的；同時，對已選入的變量逐個進行t檢驗，若之前引入的變量由于后引入的變量變得不再顯著時，則將其刪除。這是一個反復的過程，直到既沒有顯著變量引入，回歸方程中的變量不能被剔除而又無新變量引入時為止，這時逐步回歸過程結束。

本文需要估計的特征指標有四分位差Qd、平均偏移量Ra、粗糙度σ、標準差S、扭曲度Rs、峰度Rk，并選用100組模板數據求得的600個特征值進行逐步回歸，結果如表2所示。

在回歸方程引入的六個特征值中剔除對等級PL影響不顯著的自變量，保留對等級PL影響顯著的自變量，所得回歸方程為：

經計算，回歸方程通過了F檢驗，回歸方程總體上是顯著的，擬合系數R2為97.6%，標準偏差RMSE為0.22741，其中R2接近1，表明回歸方程擬合程度較好。RMSE又稱標準偏差，反映回歸曲線與觀測曲線的偏離程度，其值越小表示回歸精準度越高。

3.3 織物褶裥等級的實際評定

選取50塊具有不同褶裥等級的織物試樣，通過激光掃描儀提取織物點云數據，對離散點進行三維參考面重建等預處理后，從中提取四分位差Qd、平均偏移量Ra、粗糙度σ等對褶裥等級PL影響顯著的自變量。運用得出的綜合特征指標判別法確定客觀織物褶裥等級，并與5位服裝專業人士主觀評定結果相對照，結果如圖4所示。

由圖4可知，將測試數據代入式（7）并經四舍五入取整得到的模型評估客觀褶裥等級，其中有5個點與主觀褶裥等級不符，經計算主觀評價與客觀評價的吻合度達90%。由此驗證了逐步回歸分析模型預估褶裥等級具有可行性。

4 結 論

為客觀評價織物的褶裥等級，本文通過點云三維參考面重建并進行數據預處理，提取褶裥高度沿Z方向上的四分位差、平均偏移量、粗糙度、標準差、扭曲度、峰度六個特征指標，通過SPSS分析單個變量與褶裥模板的關系，推斷出不同的特征指標與褶裥模板等級存在著相關性，并得到單變量的擬合方程和相關系數。但僅考慮其中任意一個特征參數，不能精確地預測點云所代表的實體對象的織物褶裥等級。

為得到綜合評判指標，運用逐步回歸分析法剔除對等級PL影響不顯著的自變量，保留對等級PL影響顯著的自變量，建立的綜合特征指標與織物褶裥等級的模型為：PL=4.153σ+3.608Ra-2.311Qd-0.264，其中σ為粗糙度，Ra為平均偏移量、Qd為四分位差。

最后選用50塊含有褶裥的織物進行驗證分析，并將綜合指標判別法的評價結果與織物褶裥等級的主觀評價結果相對照，得出兩者的相關系數達90%，客觀評價優于主觀評價，且準確率高。

參考文獻：

[1]劉富， 范金土， 田彥濤， 等. 用激光掃描系統獲取服裝接縫的皺褶信號[J]. 光電工程， 2000， 27（4）： 21-24.

LIU Fu， FAN Jintu， TIAN Yantao， et al. Extraction of corrugation signal at clothing seam with laser scanning system[J]. Opto-Electronic Engineering， 2000， 27（4）： 21-24.

[2]AMIRBAYAT J， ALAGHA M J. Objective assessment of wrinkle recovery by means of laser triangulation [J]. Journal of the Textile Institute， 1996， 87（2）： 349-355.

[3]陳慧敏， 顧洪波， 張渭源. 基于點模型的織物平整性能分析[J]. 紡織學報， 2008，29（9）： 38-42.

CHEN Huimin， GU Hongbo， ZHANG Weiyuan. Digital analysis of fabric smoothness appearance on point-sampled model [J]. Journal of Textile Research， 2008，29（9）： 38-42.

[4]徐建明. 織物平整度等級客觀評估系統的研究[D]. 上海： 東華大學， 2006： 43-56.

XU Jianming. Study on Objective Assessment System of Fabric Smoothness Grade [D]. Shanghai： Donghua University， 2006： 43-56.

[5]劉成霞. 模擬實際著裝的織物折皺測試及等級評價方法研究[D]. 杭州： 浙江理工大學， 2015： 56-61.

LIU Chengxia. Investigation into Measurement and Grade Evaluation of Fabric Wrinkling Simulating Actual Wear [D]. Hangzhou： Zhejiang Sci-Tech University， 2015： 56-61.

[6]肖貝. 激光三維掃描點云數據預處理算法的研究[D]. 武漢： 武漢工程大學， 2011： 20-21.

XIAO Bei. Research on Preprocessing Algorithm of Laser 3D Scanning Point Cloud Data [D]. Wuhan： Wuhan Institute of Technology， 2011： 20-21.

[7]陳麗麗，劉成霞. 基于激光掃描技術的服裝肘部穿著平整度客觀評價[J]. 絲綢， 2017， 54（6）： 43-48.

CHEN Lili， LIU Chengxia. Objective evaluation of wearing smoothness of garment elbow with laser scanning technology [J]. Journal of Silk， 2017， 54（6）： 43-48.

[8]潘婷. 輕薄毛織物的織物縫紉平整度及其等級預測[D]. 杭州： 浙江理工大學， 2013：40-56.

PAN Ting. Thin Wool Fabric Sewing Fabric Smoothness and Its Level is Forecast [D]. Hangzhou： Zhejiang Sci-Tech University， 2013： 40-56.

[9]YU Wurong， YAO Ming， XU Bugao. 3D surface reconstruction and evaluation of wrinkled fabrics by stereovision [J]. Textile Research Journal， 2009， 79（1）： 36-46.

[10]劉婷， 劉成霞. 織物多向抗皺性分析研究[J]. 毛紡科技， 2015， 43（12）： 47-51.

LIU Ting， LIU Chengxia. Wrinkle resistance test research and analysis of fabric in multi-angle[J]. Wool Textile Journal， 2015，43（12）：47-51.