洗后織物外觀視覺特征編碼與折皺評級

徐平華， 冒海琳， 沈紅影， 丁雪梅

(1. 浙江理工大學 服裝學院， 浙江 杭州 310018； 2. 浙江省服裝工程技術研究中心， 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 服裝與藝術設計學院， 上海 200051)

織物外觀平整度體現了面料經洗滌、烘干后的形狀保持性，被廣泛用于評價面料性能、整理效果、洗滌劑及洗護設備的護理性能等[1-2]。由于現有客觀評級方法的主客觀一致率偏低，當前檢測機構仍采用AATCC 124—2018《織物經多次家庭洗滌后的外觀平整度測定》規定的人工方式評估折皺等級，然而，人工評級存在如評級精度低、穩定性差、再現性弱等不足，極易引起貿易雙方的質量糾紛[3-4]；因此，亟需建立客觀、準確、快捷的客觀評級方法，以適應精確檢測以及出入境快速通關的需求。

計算機視覺技術具有快速、無損、可重復等優勢，在織物外觀平整度客觀評級方法研究中，研究人員利用計算機視覺技術，從織物折皺圖像或空間形貌入手，對織物的折皺形態特征進行提取和分類[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信息[7-8]與起皺形態學信息、變換域的變異程度和統計信息以及空間形貌下折皺位置和高度信息等[9-10],研究人員對提煉的50余種特征進行嘗試分類后，主客觀一致率未能大幅度提升，無法滿足平整度精確識別的檢測需求，至今仍未出現有效的商用檢測儀器[11-12]。其困難之處在于：折皺位置、尺度的不定性，標準樣板的弱覆蓋性，織物表面花型和色彩的干擾性等[5]。

本文針對面料整理效果、洗滌劑和洗護設備護理效果評價的現實需求，提出以純色織物為測試樣，在建立洗后織物折皺圖像數據庫的基礎上，利用融合多尺度圖像視覺編碼和多分類支持向量機的分類方法，實現洗后織物外觀平整度的自動評級，有效提升了主客觀一致率。

1 實驗樣本處理與圖像采集

1.1 樣本選擇與處理

本文旨在構建一種能夠有效評價面料抗皺整理效果、洗滌劑和洗護設備護理效果的評價方法，面料材質、表面色彩和花型不作考慮。實驗過程中，選擇市場常用的襯衫面料(廣東溢達紡織有限公司)作為本文實驗的測試樣本。面料成分為100%棉，組織結構為平紋，經密為567根/(10 cm)，緯密為283根/(10 cm)，經、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、不上增白劑)的半漂無抗皺整理白色織物，滿足GBT 406—2018《棉本色布》優等品要求。表面均勻平整、紋路清晰、無油漬、黃斑和破損。

實驗過程中，選擇了海爾、小天鵝、松下等7家市面上常用的品牌洗衣機、烘干機和熨燙機。整個護理過程參照AATCC 124—2018及商家使用說明，除了采集標準提供的6塊立體標準樣板外，以實際洗滌、烘干或熨燙的織物折皺形態圖像作為實驗樣本，最終設計形成涵蓋9檔(1～5級，半級為1檔)，共計650種不同折皺形態的織物試樣。

1.2 織物折皺圖像采集

為了構建統一、穩定的圖像采集環境，本文實驗自行設計了織物采集箱體。織物圖像采集箱體見圖1，包含了箱體結構框架、抽拉式載物臺、工業相機等。

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

其中，相機為TXG50型黑白CCD工業相機(德國BAUMER電氣有限公司)，其具有高速、高靈敏度、超低噪聲和大視場等優勢。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。載物臺大小為50 cm×50 cm，載物臺劃線區域大小為38 cm×38 cm。箱體采用黑色亞克力板材，內壁為深灰涂層。內置光源為雙排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。織物經圖像采集后，對相機進行標定、圖像矯正，將原始圖像按照載物臺劃線區域大小分割處理形成類似圖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面料外觀形態時由遠及近的聚焦過程[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，可形成三級尺度圖像。

圖像特征變換(dense scale invariant feature transform，D-SIFT)在目標分類和場景分類中有重要應用，能夠對輸入圖像進行分塊SIFT特征提取。所謂SIFT特征，是指對劃定區域每個像素的SIFT特征[14]進行提取。D-SIFT根據可調的參數大小，來適當滿足不同分類任務下對圖像特征的表征能力；而傳統的SIFT算法僅對整幅圖像進行處理，得到一系列特征點。檢測窗口數N可由式(1)算出。D-SIFT特征提取實現路徑見圖3，可分別提取同一樣本3個不同尺度圖像的D-SIFT特征。(圖中右側框型內每個小方塊代指檢測出的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，設定為16像素；v為步進大小，設定為6像素；? 」表示向下取整。

注：m表示原圖像尺寸；t表示圖像移動的距離。圖3 D-SIFT特征提取實現路徑Fig.3 Pipeline of D-SIFT feature extraction

窗口以t個像素間隔滑動，在計算每個窗口內中心點的SIFT特征時，將窗口均分劃分為16個矩形單元，每個單元梯度方向數為8，因此中心點形成128維度的特征向量。對于1幅大小為m′×m′的圖像，經處理得到N個128維的特征向量，因此，如圖3所示，同一樣本的3個不同尺度圖像，利用窗口滑動計算各自的D-SIFT特征序列；再將圖3右側3個框型內D-SIFT特征依次串聯后，構建為有序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]近年來在圖像分類和識別領域被廣泛應用。利用無序局部區域描述子集合，將圖像表示成離散化的“視覺詞匯”，繼而統計每類圖像“視覺詞匯”頻次，構建該類專屬的“視覺字典”。對于織物折皺而言，AATCC 124—2018《織物經多次家庭洗滌后的外觀平整度測定》劃分出5級9檔，利用D-SIFT可構建出9類專屬“視覺字典”，但因BOW是基于無序“視覺詞匯”構建的1幅圖像，失去了特征空間關系這一重要信息[15]，不利于描述對折皺形態描述。為彌補這一缺陷，在圖像尺度變換實現窗口多尺度放縮的基礎上，利用線性排列方式，將特征進行按序排列。

進一步地，需要對現有冗余特征進行降維，構建具有較強代表性的“視覺詞典”。由式(2)～(4)可計算最優的稀疏U值以及該類別的視覺詞匯W解。

?g=1,2,…，G

(2)

X=[x1,x2,…，xi]∈RM×D

(3)

W=[w1,w2,…,wg]T

(4)

式中：U表示最優稀疏值；X為D-SIFT特征向量的集合；xi為X中的第i個特征；λ為調節系數；ui為第i維度的詞匯系數；W為“視覺詞典”；wg為第g個“視覺詞匯”；G為詞匯數量；‖·‖為L2范數，可約束結果至平凡解；M、D分別為二維特征向量的縱橫向尺度，單位為像素。

通過對訓練樣本特征進行迭代訓練，形成各級最優視覺詞匯庫和編碼系數，作為該等級分類判定的依據。

3 外觀平整度客觀等級評定與驗證

3.1 客觀等級評定

首先，提取測試圖像D-SIFT特征，獲得稠密的SIFT點，其次，利用式(2)對其視覺詞匯進行降維優化，形成該圖像的視覺詞匯包，利用最大值池化的方式[16-17]，構建出該測試圖像的稀疏融合特征，用以表征測試樣本。

支持向量機是一種基于統計學習理論的機器學習方法,因其可以避免過擬合的優越性質現已廣泛應用于人工智能的各個領域。假設訓練集X的特征向量為xi,i=1,2,…,N，通過線性分類器在n維的數據空間中尋找1個超平面進行特征分類。在等級評定階段，首先判定測試樣本的初始等級，初始等級精度為0.5級。其次，利用多分類支持向量機，采用一對多的方式構建n×(n-1)/2個分類器，即通過36次分類計算實現9檔的初始判定。核函數是一種特征空間的隱式映射，通過將數據映射到高維空間來解決在原始空間中線性不可分的問題。在設定支持向量機的核函數時，結合池化出來的特征，可構建可函數，形式見式(5)。

(5)

(6)

至此，當檢測來樣時，判定其外觀平整度等級精度為0.5級。進一步依據線性距離關系，將各檔之間劃分為5個區域，控制精度為0.1級，依據距離落地位置，二次優化判定結果，形成精度為0.1級的平整度客觀等級。

3.2 主客觀一致率驗證

依據GB/T 13769—2009 《紡織品 評定織物經洗滌后外觀平整度的試驗方法》，實驗邀請3名行業內專家，對照標準樣照，各自獨立評定織物外觀平整度等級，將專家評定結果算術平均后記為試樣的主觀評級等級。

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

(7)

式中：C為主客觀一致率，%；n為“一致”數量，即統計的主客觀等級偏差絕對值小于等于0.5的試樣數量；A為測試樣本總數。

4 實驗結果

評級專家對650張洗后織物樣本進行人工評級，同時利用設計的箱體對以上試樣進行圖像采集、圖像切割處理，形成38 cm×38 cm的可視區域圖像。

4.1 折皺等級視覺詞匯庫構建

利用上述稀疏編碼算法，實現圖像子庫的視覺詞匯提取。以各檔樣本量50幅訓練圖像為例，圖4示出各檔視覺詞匯可視化結果，其中任意小方格為1個詞匯，其維度為128，各維度在該子庫下均有對應的投影系數。

圖4 視覺特征編碼詞匯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

按照每檔出現的頻率高低分布，提取了前1 024個關鍵詞匯(見圖4(a))。視覺特征編碼詞匯圖如圖4(b)～(i)所示，分別為1.5～5級代表性視覺詞匯可視化效果。

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據，重建性能好，但如何確定每個級別的最小樣本量，對于本文實驗仍具有重要的意義。本文采用樣本遞增的方式，通過主客觀一致率遞進趨勢明確最小樣本量。

在數據訓練和驗證環節，將以上650幅折皺織物圖像分為2大類。第1類共計450幅圖像，按照人工評級的均值，在1～5級(0.5級為1檔)之間每檔篩選出50幅圖像(允差控制為±0.2級)作為訓練樣本。余下的200幅圖像作為第2類圖像，即經過篩選后所剩的圖像，作為驗證樣本。1～5級各檔對應的測試樣本數量分別為：30、30、30、30、30、20、10、10、10。

具體地，每檔訓練樣本量分別設置為5、10、15、20、25、30、35、40、45、50。以等級2.5、訓練樣本量20為例，首先從該級的50幅圖像子庫中隨機選取20幅圖像。類似地，9檔共計選取了180幅圖像作為訓練樣本進行測試。按此方式，對于每類樣本量，均作5次隨機選取驗證樣本進行測試。當樣本量上升至50次時，由于最大訓練樣本同為50，不再作隨機抽取處理。

圖5示出不同訓練樣本量下的主客觀一致率。除訓練樣本量為450張外，每個樣本量5個柱值對應于5次隨機抽樣下的主客觀一致率。折線控制點為該樣本量下的主客觀一致率均值及標準誤差量。由圖可知，隨著樣本量的增長，主客觀一致率逐步提升。當各檔訓練樣本為45張，訓練樣本總量為405張時，主客觀一致率為95.08%，均值標準誤差最小，5次評級結果趨于穩定。當訓練樣本總量為450張時，主客觀一致率為95.10%，主客觀高度一致。

圖5 主客觀評價一致率驗證結果Fig.5 Output of sub-obj rating consistency

此外，本文實驗所用計算機CPU為2.9 GHz，RAM為8 G，實驗樣本對應的測試圖像大小為1 750像素×1 750像素，單張驗證樣本檢測時間均小于6 s。

5 結 論

織物折皺特征提取及評級算法的有效性，是決定主客觀評價一致率的關鍵因素。本文在模擬人工評級過程中專家視覺聚焦機制的基礎上，提出利用圖像稀疏編碼技術，對多尺度圖像詞匯特征進行篩選和優化。以可視化的特征視覺詞匯再現了織物外觀折皺形態；在此基礎上，利用多分類支持向量機分類算法，實現了織物表觀折皺的1至5級(0.5級為1檔)的客觀評級。在最低有效訓練樣本的確定中，采用遞增訓練樣本量的方式，評估樣本量對主客觀一致率支撐作用。實驗結果表明在各檔最小樣本量為50幅時，主客觀一致率達到95.10%，一致率趨于穩定，單張樣本檢測速度小于6 s，滿足當前織物外觀平整度的商用檢測需求。