基于CHES-FY系統的織物觸感風格等級評價

陽 丹, 杜趙群, 劉 貴, 林 旭

(1.東華大學 紡織面料技術教育部重點實驗室,上海 201620; 2.福建省纖維檢驗中心 福建省紡織產品檢測技術重點實驗室,福州 350026)

織物風格特征是人對織物的物理力學性能和形態特征所做出的反應,織物的風格特征主要取決于織物的彎曲性能、剪切性能、壓縮性能、拉伸性能及表面摩擦性能等物理力學性能[1-2]。最早Peirce的懸臂梁彎曲模型通過定量測試織物的彎曲性能,客觀表征織物的硬挺度,并提出織物觸感風格主要由彎曲剛度、壓縮性能和表面摩擦力三個因素決定[3]。目前國內外較為通用的風格儀分別是KES[4]系統和FAST[5]系統,其中KES系統使用多元回歸的方法客觀表達織物風格的物理力學量,但物理力學量之間的相關性沒有被考慮,具有一定的數理統計缺陷[6]。FAST系統通過指紋圖對面料性能和用途進行快速分析,但沒有考慮織物的手感彈性檢測[7]。近年PhabrOmeter風格評價系統在國內企業和高校廣泛研究[8-9],該系統主要是基于環形測試的測量模式,利用加權歐式距離計算織物對應的綜合觸感值。有學者研究了豐寶儀測試指標的物理意義,發現其測試結果與常用儀器測試結果相關性較弱,并且與主觀試驗結果存在較多不符的情況,認為其存在指標表征能力較弱等缺陷[10]。CHES-FY風格儀[11-14]基于三點梁彎曲原理,通過一次測量便可得到表征織物柔軟度、硬挺度、滑爽度及松緊度風格特征值,CHES-FY系統具有測試效率高和成本低等特點,并且廣泛應用于服裝質量檢測和面料設計過程中對面料性能的預測。但目前CHES-FY風格儀還缺乏客觀的等級評價系統,將主觀評級與客觀測試結果進行線性回歸分析得到織物風格評價模型[15-16],在主觀評級過程中存在一定的人為主觀性。杜趙群等[17]使用動態模糊聚類與加權歐式距離度量準則,對服裝面料風格進行聚類分析,實現了織物的分類,但沒有對織物各基本風格指標值進行等級評價。Shao Y等[18]將Ward層次聚類與K-means聚類算法結合分析,對織物接觸壓迫舒適進行聚類討論,通過繪制譜系圖雖可以觀察到數據的分類特征,但其最終的簇類數目還是由主觀觀察數據分布得到。

針對目前CHES-FY風格儀缺乏客觀等級評價系統,使用主觀評級或者在K均值聚類中以經驗判定K值的方法存在主觀因素影響,因此本文使用CHES-FY風格儀測試織物觸感風格,結合簇內誤差法和輪廓系數法客觀選取K值,運用K-means聚類統計分析方法,對四項基本風格指標的等級進行劃分,進一步利用貝葉斯判別法建立了判斷織物基本風格等級模型,為形成科學客觀的織物風格等級評價系統提供理論依據,實現對織物風格等級作出快速客觀評價。

1 試 驗

1.1 試驗樣品

選取60塊在材質、顏色、厚度及平方米質量等方面上差異較大的織物,試樣材質成分包含了棉、滌綸、羊毛、蠶絲、粘膠、氨綸及尼龍等常用纖維,其中35塊試樣為機織物,25塊試樣為針織物,試樣實物圖如表1所示。距布邊邊緣至少150 mm裁剪試樣,在經向、緯向和45°方向各裁剪3塊,試樣裁剪尺寸為500 mm×55 mm,并用于CHES-FY系統測試織物觸感風格;另外裁出5塊10 cm×10 cm的方塊,用于YG141N測厚儀測量織物厚度,測得60塊織物的厚度在0.055～7.577 mm;并用電子天平稱量其質量,測試后轉化成平方米質量,測得平方米質量在25～475 g/m2。上述所有試驗均在標準大氣溫濕度(20±2) ℃、濕度(65±3)%條件下進行,并且測試前試樣均在標準大氣溫濕度下進行調濕處理24 h。

表1 試樣實物Tab.1 Sample physical drawing

1.2 CHES-FY風格儀

CHES-FY風格儀是由東華大學與南通宏大實驗儀器有限公司聯合研發,屬于單臺單測多指標式風格儀,如圖1(a)所示。該系統是基于三點梁彎曲原理,通過在測試過程中抽拔試樣,使試樣與三點梁機構交互作用,在不同階段構造其形變,形象地模擬人手對面料主觀感受的過程。根據各變形采集的力—位移曲線提取定量化指標,得到柔軟度指數、硬挺度指數、滑爽度指數和松緊度指數指標,進而表征紡織材料觸感風格相關的物理力學性質。三點梁是指測試設備的主要測試部件是一個三點梁結構,上面一個壓桿,下面兩個支撐桿,織物在上下三根桿中間實現小應力下的應變,如圖1(b)所示。

圖1 CHES-FY風格儀裝置及原理Fig.1 Device and schematic diagram of CHES-FY style instrument

1.3 曲線與測試指標

使用CHES-FY風格儀對面料進行測試,以52#試樣為例,所得典型力—位移曲線如圖2(a)所示。測試曲線包含壓縮、彎曲、摩擦和拉伸四個階段,設備測試過程示意如圖2(b)所示。根據各階段的力—位移曲線提取表達織物基本風格特征指標值,指標含義及表征方法如表2所示。

圖2 CHES-FY風格測試曲線及過程Fig.2 Test curve and process of CHES-FY style

表2 CHES-FY風格儀指標含義及表征Tab.2 Meaning and characterization of CHES-FY style instrument indicators

系統參數設置如下:測試過程中壓桿速度為24 mm/min;壓縮階段定壓力值為200 cN;彎曲階段彎曲撓度值為20 mm;摩擦階段的定壓力值為50 cN;拉伸階段的定壓力值為400 cN,在實際測試中,由于位移控制器本身有量程限制,所以對于拉伸階段,結束情況分為兩種,一是達到拉力值400 cN,另一個是達到位移控制器有效限制量程結束。

60塊織物測試結果統計如表3所示,其中16#織物為涂層覆膜織物,將試樣裁剪成500 mm×55 mm的長條形狀時,該試樣在無外力作用時織物易發生起翹,無法平整放于試驗臺上,因此在壓縮和彎曲過程測試異常,其柔軟度和硬挺度數據舍棄,摩擦和拉伸受外力作用后正常測試,其滑爽度和松緊度結果保留。從統計結果可以看出,所選試樣織物風格指標具有較大差異性,適合織物風格的聚類研究。

表3 CHES-FY風格儀測試結果統計Tab.3 Statistics of test results of CHES-FY style instrument

2 結果與分析

在無監督學習中,對于沒有分類標簽的數據集,聚類分析可通過學習樣本數據本身的內在規律得到聚類結果。對于有限數量樣本的聚類,K-means聚類算法是一種簡單快速的聚類分析方法,其先根據樣本量值確定初始聚類中心,再計算每個樣本量與初始聚類中心之間的歐拉距離Dit,計算公式如下(其中i=1,2,…,m;t=1,2,…,K),并根據歐拉距離將樣本分在距離最小的類中,若聚類中心發生變動則重新計算各類質心。

(1)

但是K-means聚類算法需要對K值大小進行選擇,以經驗判定K值的方法存在人為主觀性,K值的選定是決定聚類效果好壞的重要因素之一,所以客觀選擇合適的K值十分重要。因此本文使用K-means聚類算法,結合簇內誤差平方和和輪廓系數法,優選合適的簇內數目K值,分別對織物各單項基本風格測試結果進行分類。

2.1 K值的選取

2.1.1 簇內誤差平方和

為了確定K-means聚類算法的K值,使用簇內誤差平方和(Sum of squared errors,SSE)用來評價聚類函數效果的目標函數,算法目的是尋找使SSE最小化的結果,可以通過作圖的方法,觀察K值與SSE折線圖,當SSE折線出現坡度驟減時,則表示增加了一個比之前方案更多的類別,將帶來更好的收益;反之,則可能強加了一個超出需求的類別。因此,選擇折線坡度驟減的點作為最優K。設定含有n個數據對象數據集合X={x1,x2,x3,…,xn},由K-means算法進行聚類后產生的類別集合為C={C1,C2,C3,…,Ck},則算法目標函數SSE的定義如下:

(2)

式中:Ck是簇Ck的中心點。

計算方法如下:

(3)

2.1.2 輪廓系數法

簇內的稠密程度(簇內差異小)和簇間的離散程度(簇外差異大)用來評估聚類效果的好壞,其中輪廓系數(Silhouette coefficient,SC)是常用于度量聚類效果好壞的指標,SC越接近于1表示聚類效果越好,計算所有樣本的SC均值作為聚類結果的輪廓系數,單個樣本SC計算方法如下。

(4)

式中:a(i)表示樣本i到與樣本i屬于同類別的其他樣本之間的平均距離,b(i)表示樣本i到與樣本i不屬于同類別的其他所有樣本之間的平均距離。

2.1.3 優選K值

結合簇內誤差平方和法和輪廓系數法,使用聚類內部的inertia變量繪制K-SSE折線圖,并且使用silhouette_score函數計算K值對應輪廓系數,繪制K值與silhouette_score折線圖。由圖3和圖4可以觀察到,對于柔軟度K=5為K-SSE折線拐點處,并且輪廓系數最大,因此柔軟度選取K=5;對于硬挺度K-SSE折線未出現較為明顯的拐點,但輪廓系數K=3時最大,因此硬挺度K值選取3類;滑爽度在K=4時曲線開始平緩下降,并且輪廓系數相對較大,因此滑爽度選取4個類別;松緊度K-SSE折線未有較未明顯拐點,結合輪廓系數K=5時,輪廓系數最大,因此選取K=5作為類別數。

圖3 K值與SSE折線圖Fig.3 Line chart of K value and SSE

圖4 K值與輪廓系數折線圖Fig.4 Line chart of K value and silhouette coefficient

2.2 K-means聚類結果及分析

根據各風格指標優選的K值,對CHES-FY系統測得風格指標結果進行聚類,得到樣本的聚類結果,如圖5所示。柔軟度類別數越高表示織物越柔軟,1級表示不柔軟,2級表示相對不柔軟,3級表示一般柔軟,4級表示相對柔軟,5級表示柔軟。硬挺度類別數越低表示織物越硬挺,1級表示織物硬挺,2級表示較硬挺,3級表示織物柔軟;滑爽度類別數越高表示織物越滑爽,1級表示織物手感粗糙,2級表示相對粗糙,3級表示相對滑爽,4級表示織物滑爽;松緊度類別數越高表示織物越松弛,則拉伸易變形,1級表示織物緊致(不易變形),2級表示織物較緊,3級表示一般緊,4級表示織物較松弛,5級表示織物松弛(拉伸易變形)。

圖5 聚類結果Fig.5 Clustering results

從織物的柔軟度和硬挺度分級情況看,25#試樣柔軟度為1級(表示織物不柔軟),硬挺度也為1級(表示織物硬挺),說明織物的柔軟度與硬挺度有很好的一致性,并且柔軟度屬于5級的試樣,硬挺度均屬于3級,說明分類結果合理。滑爽度為1級的11#試樣為網孔結構,并且表面附有塑料裝飾片,手感粗糙,與2級邊界織物2#試樣相比,2#試樣為針織物,表面有線圈使得織物不平整,達不到滑爽程度,但明顯沒有11#表面裝飾片手感粗糙,因此分類結果合理。

2.3 判別分析與預測

2.3.1 貝葉斯判別分析

確定樣本基本風格指標分類后,將測得織物指標數據結果和分類結果輸入SPSS軟件,利用SPSS軟件進行貝葉斯判別分析,可得到各風格指標貝葉斯判別分類函數的系數,如表4所示,由此可得到4個基本風格指標等級判別函數。將貝葉斯判別分析法得到的結果和K-means聚類分析結果進行對比,沒有發現錯判等級試樣,說明貝葉斯判別分析法對織物風格等級的回判正確率為100%,表現出較高的可信度,可以作為織物風格等級判別的依據。從4個基本風格指標的典則判別函數分類圖來看,如圖6所示,柔軟度和硬挺度59個樣本、滑爽度和松緊度60個樣本分別按照其基本風格等級聚集在對應類別質心的周圍,且可以按不同風格等級區分開來,達到了分類的目的。

表4 判別函數分類函數系數Tab.4 Classification function coefficient of discriminant function

圖6 典則判別函數分類Fig.6 Classification diagram of canonical discriminant function

2.3.2 待判試樣等級預測

若想知道試樣的基本風格指標屬哪個等級,只需將各指標結果依次代入對應判別函數,求得函數值,若,則該待判試樣基本風格指標判入第k類,其中N為對應風格指標的聚類數,即K值。選取4種試樣作為待判試樣,編號為A#～D#,試樣實物如圖7所示。

圖7 待判試樣實物Fig.7 Physical drawing of sample to be judged

將4種試樣的4個基本風格值代入判別函數,得到其基本風格等級,如表5所示。由表5可以看到,A#、B#、C#試樣的柔軟度均被判定為5級,D#柔軟度被判定為3級,4種試樣硬挺度和滑爽度均被判定為3級,其中D#試樣為較厚實的羊絨機織物,試樣壓縮豐滿性能較好,但不及其他3種較薄織物柔軟;A#和B#試樣松緊度均被判為5級,表示織物拉伸易發生形變,拉伸彈性較好,其中A#和B#試樣均為彈性氨綸針織物,將其松緊度判定為5級合理,C#試樣松緊度被判定為1級,C#試樣為薄涂層機織物,織物結構緊致,拉伸不易發生形變,將其松緊度判定為1級合理。

表5 待判試樣風格值及等級預測Tab.5 Style value and grade prediction of samples to be judged

3 結 論

本文通過CHES-FY風格儀對織物基本風格特征值進行客觀測試,運用K-means聚類統計分析方法,綜合考慮經向、緯向和45°三個方向的風格特征值,對四個基本風格特征值進行聚類,結合簇內誤差法(SSE)和輪廓系數法選取K值,確定了柔軟度聚類數為5,硬挺度聚類數為3,滑爽度聚類數為4,松緊度聚類數為5。進一步利用貝葉斯判別法建立了判斷織物基本風格等級的判別函數,得到了織物4個基本風格指標等級評價模型,并將待判試樣等級帶入模型中,得到待判試樣基本風格等級值。結果表明基于優選K值結果,使用K-means聚類分析和貝葉斯判別分析用于判別織物基本風格指標等級的方法準確可靠,能夠用于織物風格等級評價系統,實現對織物風格等級快速客觀評價。

《絲綢》官網下載

中國知網下載