CN1971274A - 基于点模型的服装面料平整度等级评定方法 - Google Patents

Abstract

本发明公开了一种基于点模型的服装面料平整度等级评定方法，包括以下具体步骤：1.数据点集：由三维非接触式高精度扫描仪获取服装面料的点模型；2.数据分析：a.从数据分布的集中或离散趋势、数据分布的形态等方面对点集中各点Z方向上的坐标数据进行分析；b.从点集中筛选出反映面料起伏特性的特征点，并构造特征点的邻域；c.重建极大波峰处的曲面；d.采用离散微分几何中的曲面理论，分析特征点处的曲率值；3.评级模型：利用神经网络模块，建立评价面料平整度等级的评级模型。本发明采用点模型的分析方法，建立了适用于任何颜色和花纹的服装面料平整度等级的评级***，且能正确区分各等级，***准确率达96％左右。

Description

基于点模型的服装面料平整度等级评定方法

技术领域

本发明涉及一种纺织品性能测试领域，具体地说，是一种基于点模型的、评定服装面料平整度等级的客观评级方法。

背景技术

棉织物具有透气、吸湿和穿着舒适等优越性能，广泛应用于内衣、衬衫、西裤和床单、被罩等的加工中。但是棉织物弹性较差，穿着或洗涤过程中容易起皱。近年来，随着水洗机的普及，越来越多的消费者要求免烫整理后的纯棉服装具有良好的水洗平整性能。因此，在棉织物的后整理及制衣过程中，对面料平整性能的检验和预测的研究越来越引起服装加工企业的重视。

服装面料的平整度等级是评定其平整性能的重要指标。目前，对于服装面料平整度等级的评估方式主要采用标样对照法(美国AATCC-124标准)，是对服装面料定性化的总体视觉印象。由于样卡价格昂贵，评定环境苛刻，实际生产中难以普及。此外，评价过程中，人眼存在的盲斑、心理因素对视觉效果的影响、环境对视觉的影响、人眼视觉效果的多义性和容错性等等都是人工视觉检测中不可避免的影响因素。因此主观评定服装面料平整度等级的结果往往具有不确定性和不唯一性。

近年来，随着计算机图像处理技术的成熟，G.Stylios、X.Bu、Youngjoo Na、严灏景、黄秀宝、汪黎明和杨晓波等人以三维实体的平面图像为研究基础，应用图像处理技术对服装面料的平整度等级进行客观评定的研究取得了一定进展。但是图像数据易受面料色彩、花型、乃至组织结构等影响。在图像的重建、复原、增强、压缩和特征提取等过程中还可能出现图像失真与有用数据的丢失。此外，利用图像处理技术区分平整度等级值接近的面料时，评级准确性有所降低。

最近，基于光学三角原理的激光扫描技术在三维非接触式测量中得到了广泛应用。J.Amirbayat、M.J.Alagha、B.Xu、Jie Su、Christopher N.Turner、Amirbayat J.、Tae Jin Kang和范金土、吕东风、刘富等人利用三维激光扫描技术均较为准确地获得了面料的三维轮廓，客观评定了服装面料的平整度等级。激光扫描法不受面料颜色和花纹的影响，测量准确率高。但是，激光测量时需扫描、采集并处理多幅图像，既耗时，又难以实现实时测量。此外，激光测量时易受面料表面漫反射及倾角的影响，对于激光光源照射不到的位置还出现扫描盲点，且不能清晰地区分平整度等级为3至3.5之间的面料。

随着扫描获得的三维模型越来越复杂和精细，点模型技术成为一个研究热点。三维扫描生成的点模型就是用几何体表面密集采样的离散点来隐式地表示几何体。每个离散点包含的最基本的信息是扫描获取的坐标位置。由于点的坐标信息是三维数据获取中最原始、最真实的数据，离散点之间不需要显式地进行拓扑连接，在数据处理过程中只需以纯粹点的形式进行存储、处理和传输，这样既使所需的时空代价较低，又避免了数字几何处理中为了保证拓扑关系的正确性而强加的诸多限制和约束条件，数据的几何处理更简便。

发明内容

本发明要解决的技术问题是提供一种基于点模型的服装面料平整度等级评定方法，该方法适用于任何颜色和花纹的服装面料的平整度等级，且准确度达96％左右。

为解决上述技术问题，本发明的技术方案是：

基于点模型的服装面料平整度等级评定方法，包括以下具体步骤：

1.数据点集

由三维非接触式高精度扫描仪获取服装面料的点模型；

2.数据分析

a.从数据分布的集中或离散趋势、数据分布的形态等方面对点集中各点Z方向上的坐标数据进行分析；

b.从点集中筛选出反映面料起伏特性的特征点，并构造特征点的邻域；

c.重建极大波峰处的曲面；

d.采用离散微分几何中的曲面理论，分析特征点处的曲率值；

3.评级模型

利用神经网络模块，建立评价面料平整度等级的评级模型。

所述的点模型是各采样点坐标值精确到小数点后面八位的三维数据点的集合。

所述的坐标数据的分析是指数理统计中的四分位差、平均差、标准差和峰度，其中：

a.四分位差R_d

R_d＝Q_U-Q_L                                     (1)

四分位差R_d是上四分位数Q_U和下四分位数Q_L的差值，反映处在有序数据中间位置上的50％的数据的离差值，是数据离散程度的测量值；

b.平均差R_a

$R_a=\frac{1}{N}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}|Z_i-\stackrel{-}{Z}|---\left(2\right)$

式中：Z_i——点云中任意一点Z方向的坐标值，mm；

——点云中所有散乱点在Z方向的统计平均值，mm；

N——点云中散乱点的数量；

平均差R_a的大小反映了散乱点云中各点与点云中面的偏离程度，度量了点云数据在高度方向分布的离中趋势。平均差越大，数据的综合离散程度较大；

c.标准差R_q

$R_q=\sqrt{\frac{1}{N}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(Z_i-\stackrel{-}{Z})}^2}---\left(3\right)$

标准差R_q反映的是散乱点在Z方向上的绝对离散程度，比平均差R_a更突出了各点的变化对统计量的影响；

d.峰度R_k

$R_k=\frac{1}{N}\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(Z_i-\stackrel{-}{Z})}^4}{{R_q}^4}---\left(4\right)$

峰度R_k是度量数据分布的低峰或高峰形态偏离正态分布程度的测度。

所述的特征点的筛选过程中采用小球模型。

所述的重建极大波峰处的曲面是提取点模型中十个极大波峰点的高度信息，取其平均值，记作

所述的极大波峰处的曲面是最小二乘曲面，其曲面函数形式为：

z＝a₀+a₁x+a₂y+a₃x²+a₄xy+a₅y²                      (5)

所述的曲面理论是基于离散微分几何的曲面理论。设点模型中各点的z＝f(x，y)是其对应的x、y坐标的函数，即：

$\left\{\begin{array}{c}x=x(u,v)\\ y=y(u,v)\\ z=z(u,v)\end{array}\right.$

若r_u＝(x_u，y_u，z_u)和r_v＝(x_v，y_v，z_v)分别表示曲面的u向和v向切矢，令E＝r_u ²，F＝r_ur_v，G＝r_v ²，并记曲面上曲线的弧长为s，有：

(ds)²＝E(du)²+2Fdudv+G(dv)²                        (6)

式中的E、F和G是曲面u向和v向切矢的连续函数。

设曲面P点处曲线的单位主法矢为m，曲面的单位法矢为n，两者的夹角为φ，曲率k，并令L＝-r_un_u＝nr_uu， $M=-\frac{1}{2}(r_u{n}_u+r_v{n}_u)=n{r}_{\mathrm{uv}},$ N＝-r_vn_v＝nr_vv，有：

kcosφ(ds)²＝L(du)²+2Mdudv+N(dv)²                   (7)

式中的L、M和N也是曲面u向和v向切矢的连续函数。则曲面在P点处的曲率值H为：

$H=\frac{\mathrm{EN}+\mathrm{GL}-2\mathrm{FM}}{2(\mathrm{EG}-F^2)}---\left(8\right)$

所述的曲率信息是指点模型中十个极大波峰点的曲率信息，取其平均值，记作

所述的神经网络模块是基于多层前向网络BP学习算法的。

本发明的有益效果：

本发明采用点模型的分析方法，建立了适用于任何颜色和花纹的服装面料平整度等级的评级***，且能正确区分各等级，***准确度达96％左右。

附图说明

图1是基于点模型的服装面料平整度评级***的总流程图；

图2是不同主观评级值的面料的点模型分布图；

图3是点模型下Z值分布的峰度曲线图；

图4是特征点的邻域构造；

图5是拟合曲面的切矢图；

图6是曲线和曲面的单位主法矢图；

图7是不同主观评级值的试样的几何特征量的分布图；

图8是不同主观评级值的试样的特征点及其邻域图；

图9是不同主观评级值的试样的极大波峰点平均高度及其平均曲率值分布图；

图10是BP网络误差曲线图。

具体实施方式

下面结合附图与实施例对本发明作进一步的描述。

本发明的点模型是用模型表面密集采样的离散点来隐式地表示模型的表面，不存放或维护任何拓扑信息。图1是基于点模型的服装面料平整度评级***总流程图。

图2是6个由三维非接触式高精度扫描仪获取的服装面料的点模型分布图，其平整度等级主观评级值分别为1、2、3、3.5、4和5级。

采用点模型的分析方法评价服装面料平整度等级值包括以下5个步骤：

a.从数据分布的集中或离散趋势、数据分布的形态等方面对点集中各点Z方向上的坐标数据进行分析；

b.从点集中筛选出反映面料起伏特性的特征点，并构造特征点的邻域；

c.重建极大波峰处的曲面；

d.采用离散微分几何中的曲面理论，分析特征点处的曲率值；

e.利用神经网络模块，建立评价面料平整度等级的评级模型。

其中：

(一)点模型是各采样点坐标值精确到小数点后面八位的三维数据点的集合。

(二)坐标数据的分析是指数理统计中的四分位差、平均差、标准差和峰度，其中：

a.四分位差R_d

R_d＝Q_U-Q_L                                        (1)

四分位差R_d是上四分位数Q_U和下四分位数Q_L的差值，反映处在有序数据中间位置上的50％的数据的离差值，是数据离散程度的测量值；

b.平均差R_a

$R_{a=}\frac{1}{N}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}|Z_i-\stackrel{-}{Z}|---\left(2\right)$

式中：Z_i——点云中任意一点Z方向的坐标值，mm；

——点云中所有散乱点在Z方向的统计平均值，mm；

N——点云中散乱点的数量；

平均差R_a的大小反映了散乱点云中各点与点云中面的偏离程度，度量了点云数据在高度方向分布的离中趋势。平均差越大，数据的综合离散程度较大；

c.标准差R_q

$R_q=\sqrt{\frac{1}{N}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(Z_i-\stackrel{-}{Z})}^2}---\left(3\right)$

标准差R_q反映的是散乱点在Z方向上的绝对离散程度。标准差越大，表明点云的离散程度越大，即点云高低越参差不齐，分布范围越广；标准差越小，表明点云的离散程度越小，即点云高低越整齐集中，分布范围越小。标准差比平均差反应更灵敏，更突出了离散点Z值的变化对统计量的影响；

d.峰度R_k

$R_k=\frac{1}{N}\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(Z_i-\stackrel{-}{Z})}^4}{{R_q}^4}---\left(4\right)$

峰度R_k是度量数据分布的低峰或高峰形态偏离正态分布程度的测度。当峰度为3时，数据的峰度与正态分布相一致；峰度值小于3时，表示数据为低峰态分布；峰度值大于3时，表示数据为高峰态分布，如图3所示。

(三)特征点的筛选过程中采用小球模型。

由于点模型中的点之间不存在任何拓扑信息，对特征点的分析只能依靠分析其局部区域。所以，以各扫描数据点P为中心，构造一个半径为r的球，落入小球内的点构成该点邻域的点集(如图4所示)，判断球内各点的Z坐标值。若P的Z坐标值是点集的极大或极小值，则P点是一个特征点，计算特征点集中各点与该点的Euclidean距离，并依据距离值的大小进行排序。排序形成的特征点P的点序列命名为PP₁P₂LLP_m，其中P距离P最近，P_m距离P最远。和特征点距离越近的点对将要拟合的曲面的影响越大。

(四)重建极大波峰处的曲面是由于影响服装面料平整度等级值的往往是该区域内的几个最大波峰褶皱程度，故本发明只提取点模型中十个极大波峰点的高度信息，取其平均值，记作

(五)极大波峰处的曲面是最小二乘曲面，其曲面函数形式为：

z＝a₀+a₁x+a₂y+a₃x²+a₄xy+a₅y²                           (5)

(六)曲面理论是基于离散微分几何的曲面理论。

点模型中各点的z＝f(x，y)是其对应的x、y坐标的函数，即：

$\left\{\begin{array}{c}x=x(u,v)\\ y=y(u,v)\\ z=z(u,v)\end{array}\right.$

若r_u＝(x_u，y_u，z_u)和r_v＝(x_v，y_v，z_v)分别表示曲面的u向和v向切矢，令E＝r_u ²，F＝r_ur_v，G＝r_v ²，并记曲面上曲线的弧长为s，有：

(ds)²＝E(du)²+2Fdudv+G(dv)²                             (6)

式中的E、F和G是曲面u向和v向切矢的连续函数。

设曲面P点处曲线的单位主法矢为m，曲面的单位法矢为n，两者的夹角为φ，曲率k，并令L＝-r_un_u＝nr_uu， $M=-\frac{1}{2}(r_u{n}_u+r_v{n}_u)=n{r}_{\mathrm{uv}}$ ，N＝-r_vn_v＝nr_vv，有：

kcosφ(ds)²＝L(du)²+2Mdudv+N(dv)²                        (7)

式中的L、M和N也是曲面u向和v向切矢的连续函数。则曲面在P点处的曲率值H为：

$H=\frac{\mathrm{EN}+\mathrm{GL}-2\mathrm{FM}}{2(\mathrm{EG}-F^2)}---$ $\left(8\right)$

可见，曲率H取决于曲面的u向和v向切矢，由曲面的内在性质决定。本发明只提取点模型中10个极大波峰点的曲率值，取其平均值，记作

(七)神经网络模块是基于多层前向网络BP学习算法的。

服装面料平整度等级的BP训练网络各参数为：

网络输入参数(7个)：R_d，R_a，R_q，R_k，

和主观评级值VG

隐藏层：        5

学习速率：      0.01

误差：          0.01

最大训练次数：  500

输出层(1个)：   客观评级值OG

训练样本：      120

本发明利用三维非接触式扫描仪获取的高精度服装面料的点云，引入点模型的概念，将连续的服装面料表面离散化，提取反映数据集中或离散分布、以及数据分布形态的几何特征量。然后在点集中筛选出反映服装面料起伏特性的特征点及其邻域点，构造特征点的最小二乘曲面，结合离散微分几何中的曲面理论，建立曲率特征量。最后借助MatLAB的神经网络模块，创建一套基于点模型的、客观评价服装面料平整度等级的评级模型。本发明适用于任何颜色和花纹的服装面料的平整度等级，且精确度达96％左右。

下面根据图1～10，给出本发明方法的一个较好实施例，并结合对实施例的描述，进一步给出本发明方法的技术细节，以使能更好地说明本发明的技术特征和功能特点，但不是用来限制本发明的权利以前保护范围。

首先，按照AATCC-124的规定，对32块300×300mm的纯棉织物反复洗涤和干燥5次，在三维非接触式扫描仪上获取高精度的织物点集，截取褶皱较均匀的50×50mm区域共120个作为待评级样本数据。部分样本的扫描数据经去噪等预处理后的三维点云图如图2所示。每个样本上点的数量约为16000个。

1.利用公式(1)～(4)，分别对120个样本数据进行几何特征量的统计，统计结果如图7所示。从图7a～7d可以看到，当平整度等级较低时，服装面料点模型下Z方向上坐标值的四分位差R_d、平均差T_a和标准差R_q都较大，而峰度值R_k较小。说明平整度等级较低的服装面料表面起伏较大，其点模型下的点比较分散。随着平整度等级的提高，R_d、R_a和R_q显著下降，R_k逐渐增大。说明随着平整度等级值的提高，服装面料的起伏程度逐渐下降，其点模型下的点逐渐趋于正态分布，甚至呈高峰态分布。在不考虑平整度等级为3.5级的面料的几何特征量时，上述4个参数与主观平整度评级值之间均符合较好的拟合关系。

2.在样本的点模型上提取所有极值点作为特征点，并以各极值点为中心，构造极值点邻域，6个平整度等级主观评级值不同的点集的极值点及其邻域如图8a～8f所示，其中红色区域为波峰点及其邻域，蓝色区域为波谷点及其邻域。

3.在每个点集上，选取最大10个不相连的波峰，取其高度平均值

结果如9a所示。

4.提取最大10个极大波峰点及其邻域点的坐标信息，利用公式(5)，构造波峰处的最小二乘曲面；利用公式(6)～(8)，计算出每个极大波峰处的曲率值，取其平均值

结果如图9b所示。

图9a和9b显示，主观平均值为1级的织物的波峰较高，极大波峰处的曲率绝对值较大，说明主观评级值为1级的织物上的褶皱是高而尖锐的褶皱。随着平整度等级的提高，极大波峰处的高度开始下降。主观评级值为2级的织物上的褶皱是较高且平坦的大皱，主观评级值为3级的织物上分布着较低的褶皱，褶皱的尖锐程度较2级织物上的褶皱尖锐、但较1级织物上的褶皱平坦。主观评级值为3.5级的织物样本与3级相比，分布着明显突起、但较平坦的大皱。主观评级值为4级的织物样本上的褶皱均为细小的小皱，其褶皱的尖锐程度较3.5级织物的褶皱尖锐，但较2级织物上的褶皱平坦。主观评级值为5级的织物样本上虽然筛选出了更多的极值点，但是由于三维非接触式扫描仪扫描精度极高，误把大多数的由织物的织造方式引起的纱线的突起点视为极值点。

5.BP网络的训练误差曲线如图10所示。经大约120步迭代后，网络模型基本收敛，相关系数达到0.9684。

Claims (8)

1.一种基于点模型的服装面料平整度等级评定方法，其特征在于，包括以下具体步骤：

(1)数据点集

由三维非接触式高精度扫描仪获取服装面料的点模型；

(2)数据分析

a.从数据分布的集中或离散趋势、数据分布的形态等方面对点集中各点Z方向上的坐标数据进行分析；

b.从点集中筛选出反映面料起伏特性的特征点，并构造特征点的邻域；

c.重建极大波峰处的曲面；

d.采用离散微分几何中的曲面理论，分析特征点处的曲率值；

(3)评级模型

利用神经网络模块，建立评价面料平整度等级的评级模型。

2.根据权利要求1所述的基于点模型的服装面料平整度等级评定方法，其特征在于：所述的点模型是各采样点坐标值精确到小数点后面八位的三维数据点的集合。

3.根据权利要求1所述的基于点模型的服装面料平整度等级评定方法，其特征在于：所述的坐标数据的分析是指数理统计中的四分位差、平均差、标准差和峰度，其中：

a.四分位差R_d

R_d＝Q_U-Q_L    (1)

四分位差R_d是上四分位数Q_U和下四分位数Q_L的差值，反映处在有序数据中间位置上的50％的数据的离差值，是数据离散程度的测量值；

b.平均差R_a

$R_a=\frac{1}{N}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}|Z_i-\stackrel{\‾}{Z}|---\left(2\right)$

式中：Z_i——点云中任意一点Z方向的坐标值，mm；

——点云中所有散乱点在Z方向的统计平均值，mm；

N——点云中散乱点的数量；

平均差R_a的大小反映了散乱点云中各点与点云中面的偏离程度，度量了点云数据在高度方向分布的离中趋势。平均差越大，数据的综合离散程度较大；

c.标准差R_q

$R_q=\sqrt{\frac{1}{N}\underset{i=1}{\overset{1}{\mathrm{\Σ}}}{(Z_i-\stackrel{\‾}{Z})}^2}---\left(3\right)$

标准差R_q反映的是散乱点在Z方向上的绝对离散程度，比平均差R_a更突出了各点的变化对统计量的影响；

d.峰度R_k

$R_k=\frac{1}{N}\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(Z_i-\stackrel{\‾}{Z})}^4}{{R_q}^4}---\left(4\right)$

峰度R_k是度量数据分布的低峰或高峰形态偏离正态分布程度的测度。

4.根据权利要求1所述的基于点模型的服装面料平整度等级评定方法，其特征在于：所述的特征点的筛选过程中采用小球模型。

5.根据权利要求l所述的基于点模型的服装面料平整度等级评定方法，其特征在于：所述的重建极大波峰处的曲面是提取点模型中十个极大波峰点的高度信息，取其平均值，记作

6.根据权利要求1所述的基于点模型的服装面料平整度等级评定方法，其特征在于：所述的极大波峰处的曲面是最小二乘曲面，其曲面函数形式为：

z=a₀+a₁x+a₂y+a₃x²+a₄xy+a₅y²    (5)

7.根据权利要求1所述的基于点模型的服装面料平整度等级评定方法，其特征在于：所述的曲面理论是基于离散微分几何的曲面理论，

点模型中各点的z＝f(x，y)是其对应的x、y坐标的函数，即：

$\left\{\begin{array}{c}x=x(u,v)\\ y=y(u,v)\\ z=z(u,v)\end{array}\right.$

若r_u＝(x_u，y_u，z_u)和气＝(x_v，y_v，z_v)分别表示曲面的u向和v向切矢，令E＝r_u ²，F＝r_ur_v，G＝r_v ²，并记曲面上曲线的弧长为s，有：

(ds)²＝E(du)²+2Fdudv+G(dv)²    (6)

式中的E、F和G是曲面u向和v向切矢的连续函数。

设曲面P点处曲线的单位主法矢为m，曲面的单位法矢为n，两者的夹角为φ，曲率k，并令L＝-r_un_u＝nr_uu， $M=-\frac{1}{2}(r_u{n}_u+r_u{n}_u)=n{r}_{\mathrm{uv}}$ ，N＝-r_vn_v＝nr_vv，有：

kcosφ(ds)²＝L(du)²+2Mdudv+N(dv)²    (7)

式中的L、M和N也是曲面u向和v向切矢的连续函数。则曲面在P点处的曲率值H为：

$H=\frac{\mathrm{EN}+\mathrm{GL}-2\mathrm{FM}}{2(\mathrm{EG}-F^2)}---\left(8\right)$

8.根据权利要求1所述的基于点模型的服装面料平整度等级评定方法，其特征在于：所述的神经网络模块是基于多层前向网络BP学习算法的。

Images