織物拉伸形變視覺特征提取與表征方法

中圖分類號：TS107.4;TP391.4 文獻標志碼：A 文章編號：1009-265X（2025）05-0086-10

紡織材料應用逐漸延伸到建筑、航空航天、醫療等領域，對材料基礎力學性能分析提出了更高的要求。拉伸性能作為織物基礎力學性能之一，是新產品研發中的首要測評指標[1-2]。然而，現有的拉伸性能測試方法無法全面量化織物復雜形變規律，對拉伸過程中的局部應力分布也難以觀測與表征[3] O

當前對織物拉伸特性的研究主要集中在測試設備的研發[4]拉伸性能影響因素分析[5-6]織物力學性能與其他性能的關聯性研究[7、拉伸性能的預測模型構建[8]以及檢測方法的創新研究[9-10]等方面。在紡織檢測領域，機器視覺的應用日益廣泛，為評估織物拉伸性能提供了新的視角。然而，現有的機器視覺方法仍存在一些局限性。Ma等[]提出了一種基于圖像處理的方法來表征纖維增強復合材料的非均勻微觀結構，但該方法主要針對纖維增強復合材料的非均勻微觀結構進行表征，對于其他類型的異質性微觀結構材料的應用還需要進一步改進和驗證。Akundi等[12]提出的產品尺寸檢測系統雖然具有較高的精度和速度，但在織物檢測方面的應用仍需進一步探索。Marian等[13]利用視頻伸長計和伸長計技術分析了多個力學參數，但試驗裝置的限制導致某些效應被抑制，測試方法有待優化。Rodrigues等[14]將視頻伸長儀和圖像分析技術應用于織物和紗線的拉伸過程檢測，但紗線的幾何尺寸、纏結程度和接觸摩擦等因素影響了測量結果的準確性。綜上可以看出，在織物拉伸應變的研究中，目前對織物形態學特征與應力-應變關系的深入探討尚不充分，對織物處理方式如何影響拉伸性能的探究也有待加強。因此，機器視覺技術在評估織物拉伸性能方面的可行性仍需進一步論證。

本文基于機器視覺技術，從形態學角度建立織物拉伸應變與織物形態變化之間的動態關聯關系，以期論證視覺指標在評估織物拉伸性能中的有效性。另外，本文擬探討在不同處理方式下織物拉伸性能特征的連續性變化，以全面評估本文視覺表征方法的可行性和實用性。

1實驗

在優化常規拉伸試驗的基礎上，利用機器視覺技術，對持續受力下織物動態形變進行量化分析，研究形態學特征與織物力學性能參數的關聯性以及不同處理方式下織物拉伸性能的形態學指標的可分性。實驗總體方案如圖1所示

從圖1可知，方案包括拉伸實驗、圖像處理、特征提取與分析3個模塊。在進行織物拉伸實驗前，對所有織物試樣進行浸泡、洗滌、光老化處理。在織物拉伸實驗過程中，使用視頻采集裝置完整記錄織物受力下的動態過程。通過間隔幀采樣獲取拉伸過程中的織物序列圖像，隨后對序列圖像進行圖像處理，提取織物有效區域。基于輪廓數據，提取相關形態學特征，并將其與拉伸實驗結果進行關聯性匹配，以論證視覺指標的一致性。通過比較實驗法與圖像法獲得的應力-應變曲線，檢驗2種測量方法的一致性。此外，對不同處理方式下織物的拉伸動態形變特性進行分析，論證方法的可行性。

1. 1 實驗準備

本文分別選擇棉、羊毛、滌綸3種不同材質的機織物和針織物作為織物拉伸實驗待測試樣，其基本參數如表1所示。

為了論證不同處理方式受力差異，評估圖像法的可行性，對上述樣本進行浸泡、洗滌、光老化處理。在浸泡處理中，分別選用清水、常規洗衣液和洗衣粉作為溶劑，浸泡 125h ；在洗滌處理中，根據GB/T8629—2017《紡織品 試驗用家庭洗滌和干燥程序》標準，分別進行1、5、10次清水洗滌；在光老化處理中，按照GB/T8427—2019《紡織品色牢度試驗耐人造光色牢度：氙弧》標準，采用AtlasCI3000氙燈老化試驗箱（錫萊亞太拉斯有限公司），分別進行30，90，150h 的氙燈老化處理。由此，最終制成經不同處理方式處理的120塊不同材質的織物試樣。試樣的命名規則遵循以下格式：試樣編號-處理方式-經緯向。其中，“試樣編號”代表的織物試樣類型參照表1。在“處理方式\"部分，數字“30、90、150\"分別對應于光老化處理的時間長度，而數字“1、5、10”則代表洗滌處理的次數。此外，“W”代表清水浸泡處理，“D”代表洗衣粉浸泡處理，“L”則代表洗衣液浸泡處理。在“經緯向”部分，“j”代表經向，“w”代表緯向。

表1織物試樣基本參數

上述處理完成后，根據扯邊紗條樣法，將所有試樣裁剪為 20cm×6cm 大小，并扯去試樣兩邊斷紗。將所有待測試樣置于標準環境條件下，進行 24h 的調溫調濕處理。

1. 2 拉伸實驗

實驗利用自制的織物拉伸視頻采集裝置記錄織物受力下的動態過程，該裝置由攝像機（海康威視DS-U34T）、光源（LED日光燈）、相機支架等構成。

其中，攝像機成像分辨率設置為 2560px×1440px ，設定視頻幀率為 25fps 。攝像機與試樣平行放置，間距為 90cm ，高度依據實驗平臺調整至 130cm ；試樣側面打光，使用黑色遮光板作為背板，以便進行圖像分割。攝像機由電腦軟件遙控拍攝，并同步存儲至計算機，以供后續視頻分析。

拉伸實驗采用Instron334電子萬能試驗機（美國英斯特朗公司），在溫度為（ （25±2）^eC ，濕度為65%±5% 的恒溫恒濕環境下進行，嚴格遵循GB/T3923.1—2013《紡織品織物拉伸性能第1部分：斷裂強力和斷裂伸長率的測定（條樣法）》標準。試驗機上下夾頭間距設定為 100mm ，拉伸速度為 100mm/min 。將試樣置于電子萬能試驗機中，上下兩端夾緊，下端固定，按照設定的速度勻速加載，直至試樣發生斷裂，實驗結束。實驗場景如圖2所示。

2圖像處理與材料力學特性表征

利用機器視覺技術對采集的視頻進行處理，保留幀圖像有效區域，對試樣輪廓雙側形變進行形態學特征提取與計算，獲得織物伸長量、最窄處收縮量和泊松比等參數。

2.1 圖像預處理

為減少計算冗余，間隔取樣的時長與拉伸試驗儀輸出數據的時間間隔一致。以3-30-w試樣為例，每隔0.1s提取一幀圖像，共獲得如圖3所示的357張圖像。

為提高形態特征處理的效率和準確性，對獲取的視頻幀進行批量化裁剪處理。首先，在每組視頻幀中，通過二值化和最大外接矩形求取，初步確定織物所在的ROI區域；類似地，對后續所有幀進行提取，減少計算冗余。接著，將裁剪后的ROI區域轉換為灰度圖像，并應用自適應直方圖均衡化以增強對比度，提升織物細節清晰度。隨后，將增強后的圖像進行二值化處理，并執行輪廓檢測以識別最大外輪廓。最后，基于該外輪廓，創建最小外接矩形掩碼，并將其應用于原始灰度圖像。以3-30-w織物拉伸為例，圖像預處理過程步驟效果如圖4所示。從圖4中可觀察到，經過上述圖像預處理步驟后，幀圖像僅保留有效區域，有效簡化了計算復雜度。同時，處理后的形態學輪廓特征清晰，圖像質量有所提升，為后續的特征提取和計算提供了可靠支持。

2.2 有效區域形態特征提取

利用織物的邊緣輪廓信息進行特征數據的提取和計算，為獲得織物的整體形態特征，提取了織物有效區域的伸長量、最窄處收縮量，并完成試樣泊松比的計算。由于圖像法所獲取的是像素數據，因此需進行像素標定工作，將像素值轉換為實際的物理尺寸。本文采用圖像法測得的伸長量與最窄處收縮量像素值，轉化為實際物理尺寸的標定結果為0.22mm/px ，即每一個像素在圖像中代表的物理尺寸是 0.22mm 。

2. 2.1 伸長量

試樣在拉伸實驗時，由位于上方的夾頭以一定的速度進行拉伸運動，而下方夾頭固定不動。由此試樣伸長量計算公式如式（1）所示：

ΔL_i=L_i-L₀

式中： L₀ 是織物在初始狀態下的縱向尺寸； L_i 是第 i 幀間隔圖像拉伸后的總長度； ΔL_i 是第 i 幀間隔圖像相對于初始狀態的縱向尺寸變化量。

2. 2.2 最窄處收縮量

在拉伸過程中的寬度變化，統計最窄處的縮減量，計算公式如式（2）所示：

ΔW_i=W_i-W₀

式中： 是織物在初始狀態下的橫向尺寸， 是第i 幀間隔圖像拉伸后的寬度， ΔW_i 是第 i 幀間隔圖像相對于初始狀態的橫向尺寸變化量，

為了準確測量寬度變化，在實際計算中，通過遍歷試樣輪廓的兩個不同邊緣點集，計算其與另一邊緣上所有點之間的歐氏距離，并尋找距離最小的點。通過比較和更新策略，找到兩個輪廓之間的最小距離及其對應的點。

2.2.3 泊松比

泊松比是描述材料在受力時橫向收縮與縱向伸長之間的關系的一個物理量。在織物研究中，泊松比的數值受到織物結構單元的取向和織物在不同拉伸方向上的可延展性的影響[15]。織物受力時，泊松比決定了織物拉伸方向和壓縮方向之間的相對變化。泊松比的值越高，織物在受到外力時，其橫向或縱向的變形能力越強。泊松比 υ 的計算公式如式（3）所示：

式中： ε_tra 是橫向方向上的應變，即橫向應變; ε_axi 是沿著拉伸方向的應變，即縱向應變；負號表示橫向應變與縱向應變方向相反。

通過機器視覺技術對織物形態特征進行提取，計算得到了織物的位移伸長量和寬度變化。這些數據用于計算織物的縱向和橫向應變。應變計算方式如式（4）所示：

式中： ΔT_i 是第 i 幀間隔圖像相對于初始狀態的縱向或橫向尺寸變化量； 是織物在初始狀態下的縱向或橫向尺寸， ε 是縱向或橫向應變。

由上述公式推導出泊松比計算公式如式（5）所示：

3 結果與分析

3.1 形變指標的有效性分析

本文對圖像法獲得的指標值與拉伸儀器等方法獲得的過程性結果進行了關聯性分析，以驗證提取特征的有效性。

3.1.1 伸長量

在拉伸實驗中，織物在斷裂前的最大拉伸位移直接反映了其在拉伸過程中的變形能力及最終破壞形態。通過記錄織物表面的位移或形變信息，并間接計算織物伸長量，可獲得更詳細的形變信息，有助于研究織物的局部性質和變形分布。為了驗證使用機器視覺技術提取的伸長量的準確性，將其與拉伸試驗儀記錄的最大拉伸位移進行對比，并使用配對 χ_t 檢驗進行統計分析，以評估2種測量方法的一致性和可靠性。分析結果如表2所示。

表2伸長量與位移配對樣本t檢驗結果

由表2可知， Ψ_t 值為 -0.232，P 值為0.819，表明對多個樣本進行拉伸試驗后，拉伸試驗儀輸出的結果與應用機器視覺技術得到的結果之間不存在顯著差異（ Pgt;0.05） 。驗證了該圖像法中伸長量指標的有效性。

3.1.2 泊松比

為了驗證泊松比指標的有效性，將應用機器視覺技術計算得到的泊松比與通過ImageJ軟件手工測量的泊松比進行配對樣本 χ_t 檢驗，分析結果如表3所示。

由表3可知， Φ_t^t 值為 -0.702，P 值為0.494，說明2組數據之間不存在顯著差異（ Pgt;0.05） ，表明機器視覺提取的泊松比與手工測量結果具有良好的一致性和相關性。驗證了機器視覺技術在伸長量和最窄處收縮量指標測量方面的有效性

3.2 測量方法一致性檢驗

采用分層抽樣結合隨機抽樣的方法，對樣本子集進行Bland-Altman檢驗，以評估圖像法與實驗法這2種測量方法之間的一致性。樣本的主要分層變量包括織物成分（如棉、滌綸和羊毛）、處理方法（如光老化時間、洗滌次數和浸泡溶劑）以及織物的經緯向和組成方式（如機織物和針織物）。通過從每個層級中隨機選擇樣本，確保每個層級的樣本量充足，以保證結果的代表性和可靠性。將圖像法計算得到的應力-應變值與實驗法應力-應變曲線進行對比，利用Bland-Altman檢驗，得到如圖5所示的檢驗結果。

結果表明，2種方法的差異大多處于上下限范圍內，說明這2種方法具有良好吻合度。這一結果驗證了機器視覺系統在應力-應變曲線測量中的可靠性、準確性及可重復性，為材料性能評估提供了有力支持。

3.3 不同處理方式下織物動態拉伸形變特征的可分性

為了比較織物的不同處理方式及其處理程度對織物拉伸動態形變性能的影響，論證該方法的可行性，選擇洗滌、光老化、浸泡3種處理方式。以機織棉布經向試樣為例，對9種處理狀態下試樣的伸長量變化和最窄處收縮量變化等動態拉伸形變特征進行擬合分析，旨在研究不同處理方式對織物動態拉伸形變特征的差異性，擬合曲線如圖6所示。

由圖6可知，機織棉布經向試樣的伸長量變化指標的平均擬合優度為 0.823，95% 置信帶與擬合曲線良好貼合，表明該多項式擬合回歸模型在解釋數據變異性方面表現良好。最窄處收縮量變化指標的平均擬合優度為 0.743，95% 置信帶與擬合曲線大部分良好貼合。為進一步驗證機器視覺技術在織物拉伸形變特性方面的可分性，對織物拉伸形變指標進行方差檢驗和非參數檢驗，檢驗結果如表4所示。

由表4可知，機織滌綸、針織滌綸和機織羊毛在伸長量指標方面存在顯著差異。其中，這3種材料在伸長量上的ANOVA F 值分別為5.413、3.739和4.352，P 值分別為0.009、0.033和0.020，均顯示出統計顯著性。這表明不同材料在伸長量上的分布特征具有顯著可分性。

在最窄處收縮量指標方面，機織羊毛和針織羊毛顯示出顯著差異。其中，機織羊毛和針織羊毛緯向的ANOVA F 值分別為4.055和 14.002，P 值分別為0.025和0.004，而針織羊毛經向的ANOVA F 值為 3.766，P 值為0.078，盡管 P 值略高，但接近顯著水平。這表明部分材料在不同處理方式下的最窄處收縮量方面也存在一定的分布差異

總體而言，機器視覺技術在提取織物拉伸形變特征指標時，伸長量指標在不同織物材料間的區分度優于最窄處收縮量指標，展示了其在織物拉伸形變特征提取中的更高可分性。這使得伸長量成為評估織物彈性和伸展性能的更可靠指標。由于部分織物類型在方差齊性檢驗和ANOVA分析中未能顯示顯著差異，因此通過箱線圖可視化數據分布情況，以識別潛在的組間差異。不同處理方式下，織物在伸長量和最窄處收縮量上的分布特征如圖7和圖8所示。

由圖7可知，不同處理方式下織物的伸長量存在顯著差異。清水浸泡、洗滌1次和洗滌5次的箱體較窄，表明這些處理方式下的伸長量數據集中且變異性較小。其中，清水浸泡的均值最高，數據分布相對穩定。相反，洗衣粉浸泡、光老化 90h 和光老化 150h 的箱體較長，表明這些處理方式下的伸長量變異性較大。其中，洗衣粉浸泡的均值雖然達到了64.478，但其標準差較大，顯示出數據分布的廣泛變異。在箱線圖中，洗衣粉浸泡的箱體也較大，表明經過洗衣粉浸泡的試樣圍繞均值的分布范圍較廣，這進一步顯示了不同類型試樣對洗衣粉浸泡處理后的表現在數據分布上具有較廣泛的分散性。

由圖8可知，不同處理方式對織物的最窄處收縮量有顯著影響。洗滌5次顯示出較大的均值區間，表明該處理方式下織物的最窄處收縮量變化范圍廣泛。洗衣粉浸泡和光老化 30h 的箱體相對較短，表明這些處理方式下的最窄處收縮量差異較小。洗滌1次和原樣的箱線圖顯示了較小的變異范圍和均值，相對穩定。清水浸泡和洗衣液浸泡的處理方式導致樣本的收縮量較低，但變異性較大。光老化處理在不同時長下也表現出顯著的變異。洗滌次數對試樣的收縮量產生了顯著的影響，其中，洗滌5次的處理方式影響尤為突出。這一處理方式不僅使得大部分試樣的收縮量相對較大，而且導致了數據集中部的差異性明顯增大。這一結果表明，隨著洗滌次數的增加，材料的收縮現象可能變得更加顯著和劇烈

這些結果表明，浸泡、洗滌和光老化等處理方式對織物的伸長量和最窄處收縮量指標具有不同程度的影響。特別是，洗滌次數和光老化時間在織物性能上表現出顯著差異。這些觀察結果驗證了機器視覺技術在織物特征分析中的可行性，為織物處理效果的優化提供了直觀依據

4結論

本文基于機器視覺技術，研究織物在拉伸過程中的形變特征與拉伸性能之間的關系。通過自主搭建試樣視頻采集模塊，實現不同處理方式下織物拉伸動態形變全過程記錄。利用機器視覺技術，從序列圖像中提取有效區域并自動分割織物輪廓，進而獲取其形態特征、泊松比以及應力-應變曲線。通過比較傳統測量與圖像處理技術的結果，驗證機器視覺方法在捕捉織物形變和應力分布方面的優勢，基于這些驗證，進一步分析不同處理方式下織物在拉伸過程中受力形變的特征及其可分性。

結果表明，本文圖像法與傳統拉伸試驗在伸長量和泊松比測量中一致性良好， Ψ_t 值和 P 值分析顯示無顯著差異（ Pgt;0.05 ），驗證了機器視覺技術的有效性和準確性;Bland-Altman檢驗進一步確認了該技術在應力-應變測量中的可靠性和可重復性；伸長量作為評估織物彈性和伸展性能的指標優于最窄處收縮量，同時不同處理方式對織物特性影響顯著，進一步驗證了機器視覺技術在織物特征分析中的可行性。

參考文獻：

[1]RUZUQI R. Tensile strength analysis of polymer composite materials fiberreinforced in the fiber boat application[J]. Journal of Research and Opinion，2020，7（8）：2763-2769.

[2]李瑛慧，謝春萍，劉新金，等.真絲和滌綸仿真絲織物的拉伸性能 有限元仿真[J].絲綢，2018，55（3）：27-31. LI Yinghui，XIE Chunping，LIU Xinjin，et al.，Finite element simulation of tensile mechanical properties of silk fabricsand polyester silk-like fabrics[J]. Journal of silk，2018，55（3）：27-31.

[3]DU Y，GOU Z M. Application of the non-contact video gauge on the mechanical properties test for steel cable at elevated temperature [J]．Applied Sciences，2019，9（8）：1670.

[4]BASSETTRJ，POSTLE R，PANN.Experimental methodsfor measuring fabric mechanical properties：A review and analysis[J]. Textile Research Journal，1999，69（11）：866-875.

[5]PATILRB，TURUKMANER，朱瑜.織物組織結構對機織物力 學性能的影響[J]．國際紡織導報，2020，48（3）：30-32. PATILRB，TURUKMANER，ZHU Yu.Structurebehaviorof fabricdesign on mechanical propertiesof woven fabrics[J]. Melliand China，2020，48（3）：30-32.

[6]鄭茜仁，邵靈達，金肖克，等.熱壓成型工藝對竹纖維/PLA復 合材料力學性能的影響[J]．現代紡織技術，2022，30（6）： 73-79. ZHENGQianren，SHAO Lingda，JINXiaoke，et al.Influenceof hot pressing process on mechanical properties of bamboo fiber/PLA composites[J]. Advanced Textile Technology，2022，30（6）： 73-79.

[7] PALANISAMY S， TUNAKOVA V， ORNSTOVA J， et al. The efect of tensile deformation of knited fabrics on their electromagnetic shielding ability，electrical resistance，and porosity[J]，Journal of Industrial Textiles，2024，54.

[8]DORAN E C，SAHIN C. The prediction of quality characteristics of cotton/elastane core yarn using artificial neural networks and support vector machines[J]. Textile Research Journal，2020， 90（13/14） ： 1558-1580.

[9]CHI Y，PAN B. Accelerating parallel digital image correlation computation with feature mesh interpolation[J]. Measurement， 2022，199：111554.

[10］溫垚珂，鄭浩，張俊斌，等．基于三維數字圖像相關技術的防 彈衣性能測試與評估［J]．兵工學報，2021，42（6）： 1121-1127. WEN Yaoke，ZHENG Hao，ZHANG Junbin，et al．Test and evaluation of body armor performance based on 3D digital image correlation technology[J].Acta Armamentarii，2021，42（6）：1121- 1127.

[11]MA Q，WANG Z. Characterizing heterogenous micros-tructures of fiber-reinforced composite materials using an advanced image processing-based approach through optical microscopic images[J]， Manufacturing Letters， 2023，35： 1163-1172.

[12]AKUNDI A，REYNA M. A machine vision based automa-ted quality control system for product dimensional analysis[J]. Procedia Computer Science，2021，185：127-134.

[13]MARIAN K，PIOTR S，TADEUSZ N，et al.Preliminary comparative static identification research on selected commercial auxetic fabrics[J].Composites Theory and Practice，2017，17 （2） ： 59-66.

[14]RODRIGUES A，FIGUEIREDO L，DIOGO H，et al. Mechanical behavior of PET fibers and textiles for Stent-Grafts using video extensometry and image analysis[J]. Science and Technology of Materials，2018，30：23-33.

[15]KAMRUL H，DONG W，ZULIFQAR A，et al. Deformation behavior of auxetic woven fabric made of foldable geometry in different tensile directions[J]. Textile Research Journal，2021，91 （1/2） ： 87-99.

A method for visual feature extraction and characterization of fabric tensile deformation

LI Jial\"， YUAN Zhilei2， SHI Wenhuila， XU Pinghuala，b，1c （la.School of Fashion Design amp; Engineering；1b.Digital Intelligence Style and Creative Design Research Center;lc. Key Laboratory of Silk Culture Heritage and Products Design Digital Technology， Ministry of Culture and Tourism， Zhejiang Sci-Tech University，Hangzhou 31OO18，China; 2.Technical Center for Industrial Product and Raw Material Inspection and Testing of Shanghai Customs District， Shanghai 2O0135，China）

Abstract：The applicationof textile materials hasgradually expanded into fields such assmart wearables， construction，aerospaceand healthcare，posing higher demands on the analysis of basic mechanical properties of materials.Existing measurement methods primarily focus on the overall tensile results of fabrics.However，in the context of evaluating new material developments，thereare stillmany obstacles in distinguishing the localized stress variations intextilematerialswithdiffrentcharacteristicsandtreatmentmethods.Howtofullyutilize the advantages of non-contact measurement to accurately capture subtle changes during the fabric tensile process and how to establish a reasonable connection between these changes and the mechanical properties of the fabric remain issues that require in-depth research.

This paper proposed a method to explore the relationship between fabrics‘dynamic tensile stress and morphological changes based on machine vision technology.Through comparative research with fabric tensile tests， the feasibilityof applying machine vision technology in fabric tensile tests was explored，and the consistency of results between machine vision analysisand traditional tests was demonstrated.A self-built video sampling device was used to record the stretching process，with the video frames decomposed into sequential images for steps such as image preprocessng，object segmentation，and feature extraction.The external morphological features of the fabric affcted by tensileload were extracted fromthe images.Furthermore，thePoisson'sratioof the fabric was calculated， and theresults were correlated with its tensile properties to expand the methods for detecting fabric tensile performance.Additionally，the feasibility of machine vision technology in measuring fabric tensile deformation characteristic index under different treatment methods was validated.

The results indicate that the data obtained using machine vision technology are in good agreement with those acquired through traditional measurement methods，confirming the efectiveness of the proposed method in this study.Furthermore，to explore the capability of machine vision technology in capturing subtle changes during fabric stretching and its potential for application in fabric performance evaluation，ANOVA or non-parametric tests were conducted on fabric tensile deformation characteristic index under diferent treatment methods.The research results demonstrate thatthere are significant diferences in elongation among woven polyester，knitted polyester，and woven wool，indicatingaclear distinction inthedistributionof theirelongation characteristics.Moreover，different treatment methods also havean impact on the elongation properties of the materials.Materials subjected to soaking in clear water，one-time washing，and five-time washing exhibit relatively concentrated elongation data with low variability，whereas samples soaked in detergent or subjected to light aging treatment show greater variability.For the shrinkage index atthe narrowest point，woven wooland knitted wool also exhibit significantdiferences.Further analysis reveals that under various treatment conditions，samples subjected to five washes demonstrate higher variability，while those soaked in laundry detergent or exposed to lightaging for3O hours exhibit lower variability. This verifies that machine visiontechnology demonstratesgood separability in fabric characteristic analysis， particularly in the elongation index，where its performance surpasses that of the narowest point shrinkage index.

Keywords： machine vision; tensile property; image processing; dynamic deformation; feature extraction