織物起毛起球檢測技術發展現狀及展望

盧開新,管雯珺

(上海市質量監督檢驗技術研究院,上海200040)

紡織面料在使用或處理過程中會發生與自身或其他物體的摩擦,使得纖維之間開始滑動從而擺脫紗線的束縛,在織物表面形成絨毛,如果這些絨毛沒能及時脫落,就會彼此纏繞在一起形成毛球[1],這些毛球不僅會破壞織物的外觀,也會降低人們使用時的舒適度,最終導致織物的使用價值下降。

織物抗起毛起球性能主要是通過起球試驗后織物的起球情況來反映,所以關于織物起毛起球情況的評定結果的準確性越來越重要,它會影響織物的等級和用途。本文主要從起毛起球的評定方法來介紹織物起毛起球檢測技術的現狀及發展趨勢。當前關于起毛起球的評定方法主要分為檢測人員主觀評定和圖像處理進行客觀評定。

1 織物起球的主觀評定

主觀評定方法是人模擬紡織面料在使用時可能發生的摩擦情況,對織物的起球等級進行評判。主要分為標準樣照法、文字描述法、切割稱重法及起球曲線法等[2],見表1。

由于切割稱重法和起球曲線法對試驗人員及環境要求高,難以廣泛應用起來,所以目前主要的評定方法是與標準樣照進行對比并結合文字描述對起球情況進行評級。

2 織物起球的客觀評定方法

主觀評定方法,對人員的要求高,主觀性強,需要時常進行目光及操作手法的比對。而且在實際檢測過程中,速度慢,穩定性差,還極易受外界因素的影響,所以人們試圖將計算機圖像處理技術運用到織物起毛起球等級評定中來。通過文獻的查閱與匯總,當前利用圖像處理進行的客觀化等級評定主要可以分為兩大類,一類是根據織物紋理及織物毛球的灰度信息的不同進行等級評定,一類是根據毛球和織物紋理頻率信息的不同進行等級評定[3]。

2.1 空間域的織物起毛起球等級評定

空間域主要是利用顏色或灰度信息進行圖像處理,利用閾值分割保留毛球信息,從而實現織物的等級評定。主要可以分為運用新的閾值分割技術實現毛球信息的提取和重構織物毛球圖像實現毛球信息的提取。

2.1.1 閾值分割技術實現毛球信息的提取

1998年王曉紅等[4]將圖像預處理技術運用到針織物起球圖像上,用毛球面積和毛球形態來綜合衡量其起球情況。2002年,Xin[5]在圖像預處理的基礎上,利用二維高斯擬合閾值分割方法提取毛球信息,并增加毛球個數、對比度和密度3個指標來表示起球情況。Jing等[6]提出了平均位移的擴展原理,并使用其進行織物起球圖像的分割。2013年蔡林莉等[7]利用圖像灰度的均衡化、加法運算等圖像處理技術來增大織物背景灰度值與織物毛球灰度值之間的差異,更加準確地進行圖像的分割。2016年張俊平[8]主要用分水嶺閾值進行分割,然后重構圖像。

2.1.2 重構織物毛球圖像實現毛球信息的提取

2003年陳霞[9-10]利用LOG算子邊緣檢測技術得到毛球高度的三維圖像。2008年楊洪薇[11]將最小偏態法與閉運算和頂帽變換相結合進行圖像處理,更好地突出了毛球形態。2011年Mendes A D O等[12]采用新的圖像采集系統并利用光學三角測量法,模擬得到起球織物三維結構。2016年余靈婕[13]根據絨毛和織物本身深度不同,利用從聚焦位置獲取深度信息的技術,突出毛絨所在的位置和狀態,并用提出新的衡量起球程度的指標：絨毛覆蓋率、覆蓋體積。Technikova[14]利用梯度場法對陰影3D織物表面進行重建,運用圖像分析工具進行毛球檢測和起球等級的評估。

表1 4種主觀評定方法定義與優缺點

2.2 頻率域的織物起毛起球等級評定

隨著圖像處理技術的進一步發展,發現在沒有去除織物本身所帶有的信息的情況下,單是利用毛球與織物灰度信息的不同或重構織物圖像進行的閾值分割,并不能使得毛球信息與織物完全分離。有研究者發現每一種物體都帶有自身獨有的頻率信息,所以可以利用物體的頻率不同將毛球與織物本身進行分離,然后再進行閾值分割,使得毛球信息提取得更加準確。目前在頻域內去除織物紋理信息的算法主要有傅里葉變換、小波變換和Gabor變換。

2.2.1 傅里葉變換

傅里葉變換是將一個連續的時序或信號進行轉換,然后用不同頻率的正弦波信號無限疊加來表示。數字圖像的信號就是數字圖像的灰度值分布,所以圖像的傅立葉變換就是將圖像的灰度分布函數變換為圖像的頻率分布函數,進而在頻率域內進行處理分析。

2007年曹飛[15]發現頻率域中毛球信息和織物紋理信息分別用不同的亮點表示,用中值濾波對代表著織物紋理信息的亮點進行去除,從而得到僅含有毛球信息的起球圖像。2010年高衛東和周圓圓等[16-17]發現織物的紋理信息是周期性存在的,去除象征著織物紋理信息的周期性頻率信號來獲得織物毛球信息。2012年Saharkhiz[18]將低通濾波與2-D快速傅立葉變換相結合來去除織物紋理。2012年鄧文等[19]在頻率域內研究起球織物能量算法,使用不同半徑的濾波對圖像進行處理,得到織物能量變化曲線,確定能量差值最大時對應的濾波半徑,來對織物的紋理信息進行濾除。2014年徐增波[20]根據織物紋理信息不會隨著環境的變化而變化,利用頻譜特征成分分析方法,在不同的光照條件,提取相同的代表織物紋理的頻率信息,從而得到毛球信息圖像。

2.2.2 小波變換

小波變換主要是對圖片信息進行多層次分解,通過對分解出的每一層圖像或是連續幾層圖像或是間隔幾層的圖像進行分析,提取所需要的信息。

2004年王銳和高水平[21-22]對小波變換后的的頻率圖像進行Birge-Massart策略分析,將代表著織物紋理的高頻信號去除,保留代表毛球的低頻信號,從而得到去除織物紋理的毛球圖像。2005年Kim[23-24]采用具有抽樣離散特性的哈爾小波對圖像進行處理,通過小波分形法計算出分形維數及表面平均曲率,根據變化特征來確定毛球位置。2011年Deng[25]采用多尺度二維雙樹復小波變換(CWT)對圖像進行分解,用能量分析方法對6個方向上的織物絨毛圖像進行分析,得到圖像最佳分解量表,從而實現毛球與織物紋理的有效分離。2012年Zhao[26]利用DWT2小波進行處理,根據能量的差異、能量的梯度及能量比來確定去除織物紋理的最佳分解尺度。2012年鄧文等[27]利用織物紋理能量算法分析經過小波變換后的每一層圖像,從每層能量的擬合曲線上尋找能量突變層,進而確定紋理與毛球分離的最佳層次。2012年Jing和張贊贊[28-29]在前人研究的通過小波變換來去除織物紋理信號及光照噪音的基礎上,將4-6的分解層的水平、垂直及對角線的子圖像的能量和尺度3-6的重構細節圖像的LBP特征作為起球特征向量,然后利用主成分分析法來降低向量的維數,最后用支持向量機來對起球等級進行分類。2016年崔新輝對經過小波分解后的各個層次信息進行分析,然后與波能量指標的變化規律相結合,確定分離織物紋理與毛球的最佳層次。Guan[30]對起球織物的灰色圖像進行分解,通過對近似子圖像的分析得到滑動的平均特征,接著進行中心環繞運算符和歸一化處理,形成特征子圖,通過比例組合和規范化實現關于近似細節、水平細節和垂直細節的特征子圖,以構建顯眼圖,通過融合算子,融合形成顯著圖,根據毛球和織物紋理的對比度差異,用最大類間方差法進行圖像的分割。

2.2.3 Gabor變換

Gabor變換是把檢測信號分解成一個很小的時間間隔,然后再在每一個很小的時間間隔內進行傅里葉變換,得到每個時間間隔內的頻率信息,從而可以更加精確細致地分析其所代表的的信息。

2011年高衛東通過對織物紋理的結構特征信息的分析,選擇合適的Gabor濾波器頻率參數和方向參數,然后將16個Gabor濾波器整合在一起,形成濾波器簇,由于織物起毛起球的位置是隨機且不固定的,每個毛球也是不同的,所以在保證頻率參數相同的情況下,將各個方向的濾波器結果進行融合,然后用由圖像信息求取的均值和方差確定的分割閾值對融合后的圖像進行分割,實現毛球信息的提取。2016年崔新輝[3]通過研究發現,織物紋理特征信息方向與圖像的熵值曲線峰值對應的濾波器方向基本一致,所以可以選用不同的濾波器來去除或提取相應的信息。

2.2.4 其他

在研究過程中將2種或2種以上的頻率域紋理去除方法結合在一起,充分利用每一種方法的特點,實現織物紋理與毛球的有效分離。

2013年Yun[31-32]對起球圖像進行傅里葉變換和小波變換這兩種圖像分析技術結合在一起的濾波處理,然后用人工神經網絡分析方法對起球情況進行評估。汪亞明[33]綜合研究織物起毛起球圖像在處理過程中可能存在的各種噪聲的特點,根據各個噪聲的差異選用不同的方法將其去除,首先是利用小波變換去除織物起球圖像采集時由于光照產生的噪音,以及織物本身褶皺不平或織物本身帶有絨毛而產生的噪聲,然后在此基礎上用Gabor濾波對起球織物圖像進行多個方向的分解與融合,去除具有周期性和方向性等特征的織物紋理信息噪聲,從而更加準確地提取毛球信息。

3 結語

隨著面料研發技術的發展,市場上織物種類日益繁多,這對測試人員的要求進一步提高,而且用單一的標準樣照進行不同種類織物起球情況的等級評定也漸漸不能滿足社會的需要。檢測技術走向自動化是大勢所趨,所以對于織物起毛起球等級的客觀評定是近年來的研究方向,也取得了一定的成果,但是客觀評定織物起毛起球等級的方法還僅限于理論研究,并沒有普遍應用起來,所以建立一種客觀評定織物起毛起球等級評定的方法以及進行織物起球等級的細化,從而實現織物起毛起球等級評定的機械化還需要進一步的研究。