数字图像处理技术在纺织服装领域的研究进展
数字图像处理指的是利用数字计算机及其他相关的数字技术，对图像施加某种运算和处理，从而达到某种预想的目的，其起源于20世纪20年代[1]。早期，图像处理的目的是改善图像质量，以人为对象，改善其视觉效果，经常用的方法有图像增强、图像分割、边缘提取、形态学分析、图像压缩编码等。图像处理首次得到实际应用是在美国的喷气推进实验室，随后被应用于航天、航空、通信电子、工业工程、生物医学、军事公安和文化艺术等各个领域。20世纪80年代后期，图像处理技术进入纺织检测领域，从原料到成品的检测，都可以借助图像处理技术来完成[2]。笔者通过对图像处理技术在纺织服装领域应用的分析和总结，提出了今后图像处理在该领域的发展趋势。
一、图像处理技术在纺织领域的应用
图像处理技术在纺织领域初被用于地毯磨损的检测，随后被越来越广泛地应用于纺织领域的各方面。
1、纤维方面
①、羊毛纤维细度和卷曲度的检测
羊毛细度是表示纤维品质的重要指标。传统的检测方法为显微镜投影法和气流仪法。显微镜投影法适应面广，可直接观察纤维的表面形态，但缺点是操作、计算复杂，精度低。气流仪法快速简便、数据稳定，但缺点是易受纤维吸湿性能影响且不能测试异质毛的细度。应用图像处理技术测量羊毛细度，先将纤维切片经显微镜光学放大，投影在工业摄像机的光电转换器上，以数字化电子图像形式被输入到计算机，然后对图像进行柔化、二值化、去除干扰等处理，得到满意的纤维实时轮廓后，对纤维的细度进行测量[3]。Deng等[4]基于图像处理技术，采用了一种新的方法测量了羊毛纤维的直径，该方法应用Matlab软件对羊毛纤维截面进行了一系列的图像处理，提取了羊毛纤维的特征参数，然后进行一些参数估计，如平均直径、标准偏差等，结果表明该方法适合羊毛纤维直径的实际测量。
羊毛卷曲能造成织物物理性质及表观的不同，因此，对其检测和分析是必要的。传统的卷曲检测方法是采用纤维卷曲弹性仪测量一些相关指标：卷曲率、卷曲数、残留卷曲率和卷曲弹性回复率等。该方法测试指标多，能较全面地体现卷曲多方面的性质，但受观测者的影响较大，并费时、费力。采用图像处理方法检测羊毛纤维的卷曲度，首先对摄取的图像进行滤波去噪，再通过计算处理得到纤维的二值图像，然后进行轮廓跟踪、纤维特征抽取和识别，以及卷曲频数、波幅、伸长率等有关参数的计算和分析[5]。
采用图像处理技术检测羊毛细度和卷曲度有利于提高测量精度、缩短检测周期、降低劳动强度[6]。
②、羊毛与羊绒纤维表面形态的识别
识别羊毛和羊绒纤维是纺织领域的一个难点，尤其是区别羊绒与超细羊毛、拉细羊毛的细度等。传统的识别方法是采用光学显微镜进行鉴别，其判断依据是纤维细度，但不能很好地获得鳞片的细节图像数据，且需要依靠测量者自身经验来鉴别，误差较大。而采用图像处理技术识别羊毛与羊绒纤维，是基于扫描电子显微镜拍摄的羊毛和羊绒图像，依照其表面鳞片的形态特征，应用灰度差值、模板代换、边界搜索、轮廓跟踪、拐点分析等图像处理与识别的方法，来处理表面鳞片形态，对羊绒和羊毛纤维进行自动识别。该方法可用来代替人眼对羊毛和羊绒纤维的识别，减少误差，提高检测精度与速度[5]。Shang等[7]在Matlab 7.0的模拟环境下进行模拟试验，研究了4种羊绒和羊毛，找出了纤维直径的6个特点，并终通过使用贝叶斯模型鉴定和得到这6大特征的分布，该方法能有效鉴别羊毛和羊绒。蒋高平等[8]为了能快速区分与检验羊毛和羊绒，先用光学显微镜获取羊绒和羊毛的图像，然后通过图像处理得到羊绒和羊毛的表面信息，再通过投影获取羊绒和羊毛表面对应的谱线，并对谱线进行分割，根据两者谱线特性的不同，提取谱线的参数，后通过对这些参数的分析进行识别。结果表明，该方法识别快速准确，精度也较高。
③、化学纤维异形度的检测
异形纤维的评定方法主要是采用手工目测法，人为影响因素较大，且检测精度较差和速度也慢。采用数字图像技术测量化学纤维异形度是对摄取的化学纤维截面图像进行平滑、中值滤波、去除噪声、边缘锐化及直方图均衡化处理，计算形心点、纤维截面积、纤维截面内切圆与外接圆半径及理论半径，终确定化纤的异形度。这种方法可以排除一些人为的干扰因素，提高检测的速度和精度[5]。
④、棉纤维成熟度的检测
棉纤维成熟度的传统检测方法是中腔胞壁对比法。它采用普通生物显微镜沿纵向逐根观察，按照棉纤维中腔的宽度和胞壁的厚度之比来确定纤维成熟度，用成熟度系数表示。其缺点是有时会找不到合适部位来确定壁厚与腔宽，即使确定也会存在一定的人为误差。而基于采集到的棉纤维形态影像，应用计算机技术对图像进行处理，通过轮廓跟踪算法得到预处理后的棉纤维边界，然后根据轮廓方向判断轮廓的转折点，分析得到相关的特征数据，后计算出成熟度参数，则能够大大提高测量数据的可靠性。
2、纱线方面
①、纱线混纺比检测
传统测量方法是人工识别，但费时、费力，且精度低。采用图像处理技术检测纱线混纺比的过程是，将纱线切面图像输入计算机，进行滤波去噪、局部灰度均匀度调整、二值化、黏连纤维分割、标记图像等处理，然后提取纤维截面形状的常规特征量，根据特征量的不同计算混纺比。该方法结果准确、客观，且测量效率较高[5，9]。袁利华通过数学形态学操作对纱线的截面图像进行预处理，在背景和目标之间形成了明显的灰度差异，使用光斑扩散法获得图像中每个纤维截面的轮廓线，构建特征指标，抽取特征数据，终对特征数据进行聚类和分类，算出涤棉的混纺比。研究结果表明该方法具有可行性，误差在可接受范围内[10]。
②、纱线毛羽检测
传统测量方法多以投影计数为基础，通过计算凸出纱线主体3 mm的纤维根数来获得纱线的毛羽参数，其结果受纱线运动速度的影响较大，误差较大[6]。而采用图像处理技术检测纱线毛羽的基本原理是应用CCD摄像头摄取以一定速度运动的纱线图像，再通过A/D转换，将图像数字化并将数据输入软件系统，运用计算机分析纱线图像，后输出所需指标，得到纱线毛羽的相对评定值[11]。该方法不需购买专门仪器，成本低，运算快，提高了工作效率。卢明等[12]运用计算机，采用适当方法对纱线毛羽图像进行预处理，分析图像特征，分别得出带毛羽纱线和不带毛羽纱线的图像面积，计算出纱线相对毛羽率。结果表明，该方法分割效果好，运算速度快，不需购买专门仪器，具有较高的实用价值。Wang等[13]基于图像处理技术检测了纱线的毛羽，首先使用数码相机获取纱线图像，然后使用图像处理技术提取纱线轮廓，通过小外接矩形计算纱线长度，通过像素搜索方法计算毛羽长度，后，通过参考物体的实际长度和像素长度之间的比例关系得到毛羽指数，试验结果表明该方法提高了纱线毛羽测试的效率和精确度[13]。
③、纱线均匀度检测
目前检测纱线不匀的主要方法是目测法及仪器测量法。目测法是通过观测纱线在黑板上的阴影，记数棉结等来评价纱线的外观质量，该法主观性强、工作繁重。仪器测量法采用电容式纤度均匀度仪通过测量纱线横截面积的纤维根数去测量纱线的直径，该法对环境及试样各段湿度均匀程度的要求较高[2]。采用图像处理技术对纱线纤度均匀度进行检测，首先是采用数码成像设备采集纱线图像，将纱线图像进行二值化及数学形态学中的膨胀、腐蚀、结构开、结构闭等运算处理，然后提取纱线纤度的特征，后对纱线的质量进行判定。该方法方便、快捷、准确[14]。
3、织物方面
①、织物密度检测
传统的织物密度检测是采用密度镜或照布镜，通过人眼观测，数出单位长度内的经纱或纬纱的根数。该方法仪器简单，但费时，且会因人的疲劳情况出现较大误差。应用图像处理技术检测织物密度的过程是，先将摄取的织物图像输入到计算机内，对图像进行预处理，将经过预处理的图像进行傅立叶变换，然后提取特征点，与预先确定的织物标定尺寸和数码相机的分辨率相结合，即可计算出织物密度，该方法测量速度快、精度高[3,15]。Zhou等[16]根据丝织物特点，采用多尺度小波分解法测量了丝织物密度，通过试验发现，小波多尺度分析是一种从织物图像中提取细节特征的理想方法，结果表明该方法优于正常的小波分解，能够有效且准确地自动测量丝织物密度。
②、织物疵点检测
传统的织物疵点检测由人眼目测完成，但速度慢、工作强度大，结果受操作者经验、熟练度等因素的影响，缺少可靠性和一致性。采用图像处理技术检测织物疵点的程序与检测纱线和纤维的基本一致，首先采集织物图像并输入到计算机，对图像进行预处理，然后进行疵点部分的特征提取，后对织物疵点进行智能识别。该方法能快速、准确、有效地进行织物疵点检测。Tsai等采用BP神经网络技术检测织物缺经、断纬、破洞和油污等疵点，其分类正确率达到88 %。Hu等[18]应用优小波包和人工神经网络技术检测了4种织物的疵点。缺经、断纬、破洞和油污的检测正确率达到100 %。Zhang等采用图像距离差的算术运算方法进行了织物疵点检测，该系统允许用户基于织物类型设置织物疵点检测的相应控制参数，能检测30余种常见疵点，并具有较高的速度及正确率[19]。
③、织物悬垂性能检测
传统测试方法是应用投影法测试悬垂系数，但该法指标单一，且结果精度不高。应用图像处理技术测试织物悬垂性的过程是，由CCD摄像头采集织物悬垂图像，以灰度图像格式存储到计算机中，然后对图像进行滤波、二值化、边缘增强等预处理，保留和悬垂相关的信息，后分析图像的形态结构，提取各种特征参数，计算表征织物悬垂性能的各种指标。该方法能快速地得到表征织物悬垂程度和形态的多个指标，信息全面，准确度高，且能进行动态测量[3,9]。
④、织物起毛起球评定
传统的评定方法是标样对照评级法，操作繁杂，每一类织物必须制定各自相应的标准样照，并且结果受人为因素影响很大。应用图像处理技术评定织物起毛起球的过程是，将织物按规定条件摩擦起毛起球后，采集表面图像，对图像进行处理，保留有用的毛球信息及使毛球边缘变得相对光滑，后给出毛球的尺寸、形状、数量、总面积、密度、空间均匀度等多种指标，该方法结果客观，减少了人为因素的影响[3]。Liu等[20]基于图像处理技术，构建了一个织物起毛起球的评价体系，体系中边缘流量法被用来实现复杂织物的起毛起球分割。该系统提取了起毛起球的特征参数并描述了级数之间的关系，后在三维空间中织物起毛起球级数的评价通过使用少距离方法来实现，试验结果显示该方法应用广泛，且结果良好[20]。
二、图像处理在服装领域的应用
基于数字图像处理的检测技术在纺织领域的应用已经日趋成熟，但是在服装领域的应用却不是很多。服装领域的一些检测，如缝制外观检测、服装黏合衬胶粉粒度检测、服装褶皱检测等，现在主要还是利用手感、目测等手段检测，但这些手段往往会受到检测人员的主观因素干扰，可重现性差，效率低。如今很多服装工作者已经注意到了这个问题，发现应用数字图像处理技术能够减少人为因素的影响，能够科学、客观、高效地完成一些服装的检测。为了实现成衣疵点的自动检测，张明艳等利用数字图像处理与模式识别技术研究了服装缝纫工艺疵点的识别分类。该研究分析了服装缝线疵点系统的体系结构，采集了服装缝线样本的图像，并将其分类。进行服装缝线样本图像的预处理和分割，提取服装缝线疵点的特征，后进行服装缝线疵点的识别分类研究[21]。池金米等拍照采集了男衬衫的样品图像，采用直方图均衡化、中值滤波等技术对图像进行增强去噪处理，然后进行阈值分割。分别为单线、双线线迹和对称性特征设计了具体的检测算法，并应用MATLAB实现双线线迹的检测。结果表明，该方案能有效实现男衬衫缝制外观的质量检测[22]。陆国琴等[23]应用MATLAB图像处理软件对拍摄的黏合衬胶粉颗粒图像进行预处理，通过开发的程序对图像形态进行分析。试验表明，应用这种方法能够准确地检测出颗粒面积、平均径长、周长、圆整度等参数。该方法操作简单，测量速度快、精度高。陈雁等[24]通过对服装表面褶皱图像的处理，提取了以灰度为基础的评价指标体系，提出了褶皱数、褶皱深度、褶皱宽度和褶皱不匀度等服装褶皱的评价指标，以期对服装表面褶皱这一视觉效果进行数字化描述。结果表明这些指标能很好地反映褶皱的形态特征。
三、图像处理技术在纺织服装领域的发展趋势
通过上述研究情况可以发现，基于图像处理技术检测纺织品的研究多集中在外观及物理性能的检测，如纤维细度、纱线纤度均匀性、织物疵点、密度、悬垂性等。而关于织物功能性检测的研究却不多，只有较少文献做了关于图像处理技术应用于织物导湿和防水性能的测试研究。并且，这种基于图像处理技术检测织物功能性的研究的技术方法还不太成熟，许多方法装置复杂，易产生误差，存在着很多与实际环境不相符的情况，还只是处于实验室研究阶段。因此，在以后的研究中，应加大在纺织品功能性检测方面的研究。
关于数字图像处理技术在服装领域的应用，近几年才有专家学者开始研究，目前，数字图像处理在服装领域的应用基本上都集中于服装缝纫线迹疵点的研究。因此，在服装领域，应扩大其应用范围，将基于图像处理的检测技术贯穿于服装生产的整个过程。
2019-01-14 14:39