張 寧， 潘如如， 高衛(wèi)東

(生態(tài)紡織教育部重點(diǎn)實(shí)驗(yàn)室(江南大學(xué))， 無錫 江蘇 214122)

采用圖像處理的織物縫紉平整度自動(dòng)評(píng)估

張 寧， 潘如如， 高衛(wèi)東

(生態(tài)紡織教育部重點(diǎn)實(shí)驗(yàn)室(江南大學(xué))， 無錫 江蘇 214122)

為解決織物縫紉平整度客觀自動(dòng)評(píng)估時(shí)分類正確率低的問題，提出了一種基于灰度共生矩陣、小波分析和反向傳播(BP)神經(jīng)網(wǎng)絡(luò)相結(jié)合的織物縫紉平整度的自動(dòng)評(píng)估方法。首先采集標(biāo)準(zhǔn)縫紉圖像，將圖像的灰度級(jí)降至16級(jí)，計(jì)算圖像在0°和90°方向上的灰度共生矩陣并將其歸一化，提取灰度共生矩陣的能量、熵、對(duì)比度和相關(guān)性4個(gè)特征參數(shù)，并分別對(duì)特征參數(shù)在0°和90°方向上取均值；同時(shí)，運(yùn)用Haar小波在第6個(gè)分析尺度上提取并計(jì)算圖像的水平細(xì)節(jié)系數(shù)的標(biāo)準(zhǔn)差。然后將提取的這5個(gè)特征參數(shù)輸入到BP神經(jīng)網(wǎng)絡(luò)中訓(xùn)練和識(shí)別，并對(duì)標(biāo)準(zhǔn)縫紉圖像進(jìn)行了評(píng)估。評(píng)估結(jié)果顯示：提出的算法與單獨(dú)采用灰度共生矩陣特征、小波特征相比，具有較高的分類正確率，分類效果穩(wěn)定。

縫紉平整度； 灰度共生矩陣； 小波分析； BP神經(jīng)網(wǎng)絡(luò)

在服裝加工縫合或洗滌過程中，由于面料的力學(xué)性能、縫紉機(jī)器參數(shù)、操作不當(dāng)和洗滌條件等因素的影響，在接縫線的兩側(cè)產(chǎn)生一定程度的褶皺，稱為縫紉平整度?？p紉平整度是質(zhì)量控制的重要指標(biāo)，直接影響到服裝的外觀效果。目前對(duì)于織物縫紉平整度的評(píng)估，主要是通過人工將縫紉試樣與ISO 7770：2009《紡織品洗滌后織物接縫外觀平整度的評(píng)定方法》或AATCC 88B—2006《織物經(jīng)多次家庭洗滌后縫線平整度測定》標(biāo)準(zhǔn)的圖像相對(duì)照，為試樣評(píng)定相應(yīng)的等級(jí)。這種方法不僅耗時(shí)費(fèi)力，而且易受主觀因素的影響。通過計(jì)算機(jī)技術(shù)來主觀、快速、準(zhǔn)確地實(shí)現(xiàn)對(duì)織物縫紉平整度的自動(dòng)評(píng)估，可避免人為因素的影響，提高分類正確率。

目前，在織物縫紉平整度的客觀評(píng)估研究中，主要是通過特征提取和分類識(shí)別2部分來完成。首先提取圖像的特征向量作為分類的依據(jù)，然后利用分類方法或分類器實(shí)現(xiàn)對(duì)縫紉平整度的自動(dòng)評(píng)估。特征提取的方法主要有圖像的灰度投影、傅里葉分析[1]、表面粗糙度[2]、分形理論[3]、小波分析[4]和灰度共生矩陣[5]等，分類方法或分類器主要有模糊C均值聚類(FCM)分析、模糊模式識(shí)別[6]、回歸分析[1]、人工神經(jīng)網(wǎng)絡(luò)[5,7]和支持向量機(jī)等?？p紉試樣圖像采集系統(tǒng)主要分為二維和三維2種方式，在二維的采集系統(tǒng)中，主要采用照相機(jī)或掃描儀來采集圖像；對(duì)于三維的采集系統(tǒng)，F(xiàn)an等[8]利用激光掃描儀和切比雪夫波段過濾器來提取織物表面平行于接縫線的輪廓。Koehl等[9]提出了一種三維數(shù)字化系統(tǒng)來生成三維縫合試樣模型。Kang等[10]使用了一種三維的、非接觸的掃描系統(tǒng)。在現(xiàn)有的這些研究中，很多的特征提取方法只是提取全局或局部的特征，不能全面地反映不同縫紉等級(jí)之間的差異，分類正確率的大致范圍在80%～90%之間不等，分類正確率有待于提高。

本文提出了一種基于灰度共生矩陣、小波分析和反向傳播(BP)神經(jīng)網(wǎng)絡(luò)相結(jié)合的織物縫紉平整度的自動(dòng)評(píng)估方法。通過采集標(biāo)準(zhǔn)縫紉試樣圖像，運(yùn)用灰度共生矩陣提取能量、熵、對(duì)比度和相關(guān)性4個(gè)特征參數(shù)，代表縫紉圖像的全局信息，同時(shí)運(yùn)用小波分析提取水平細(xì)節(jié)系數(shù)，代表縫紉圖像的局部細(xì)節(jié)信息，將二者的特征參數(shù)相結(jié)合作為特征向量輸入到BP神經(jīng)網(wǎng)絡(luò)中集成，實(shí)現(xiàn)對(duì)織物縫紉平整度的自動(dòng)評(píng)估，具有較高的分類正確率。

1 縫紉圖像的采集與預(yù)處理

1.1 圖像采集

圖1示出圖像的采集系統(tǒng)。由相機(jī)(Canon Rebel EOS 1000D)、試樣平臺(tái)(RPS Studio, RS-CS1070)、支架和光源(Canon, Speedlite 270EX II)4部分組成。相機(jī)通過一個(gè)USB3接口與電腦相連，設(shè)置在AE程式拍攝模式，拍攝速度和光圈可通過編程的方式設(shè)置。在試樣的一側(cè)采用傾斜的光照方式，可增強(qiáng)起皺部分的亮度變化。

圖1 圖像采集系統(tǒng)Fig.1 Image acquisition system

為得到穩(wěn)定的分類結(jié)果，為后續(xù)的研究尋找穩(wěn)定的方法，實(shí)驗(yàn)中采用ISO 7770:2009《紡織品洗滌后織物接縫外觀平整度的評(píng)定方法》的縫紉試樣作為采集圖像的實(shí)驗(yàn)樣本，用于分類識(shí)別部分的訓(xùn)練集和預(yù)測集。采用的相機(jī)分辨率為3 888像素×2 592像素，對(duì)應(yīng)的物理尺寸為152 mm×102 mm的可視區(qū)域，即0.039 mm/像素的分辨率。圖2示出采集的一幅經(jīng)預(yù)裁剪后的標(biāo)準(zhǔn)縫紉圖像。

圖2 經(jīng)預(yù)裁剪后的標(biāo)準(zhǔn)縫紉圖像Fig.2 Normative seam image after pre-cropping

1.2 圖像預(yù)處理

對(duì)于采集到的縫紉試樣圖像，首先采用Canny邊緣檢測算法檢測接縫線的位置；然后采用Hough變換檢測接縫線傾斜的角度，并將其旋轉(zhuǎn)相應(yīng)角度，使得接縫線處于水平位置；接著以接縫線為中心，在接縫線兩側(cè)裁剪圖像，裁剪后的圖像為2 000 像素×200像素；最后為消除傾斜光照導(dǎo)致的圖像亮度不均，對(duì)圖像進(jìn)行亮度均衡化，得到亮度均勻的圖像。圖像的預(yù)處理流程如圖3所示。

圖3 圖像預(yù)處理流程Fig.3 Pre-processing flow of seam image. (a) Position of seam-line; (b) Adjusted seam image after rectifying; (c) Seam image after cropping; (d) Seam image after intensity adjustment

2 縫紉圖像特征參數(shù)的提取

2.1 灰度共生矩陣

2.1.1 灰度共生矩陣及其參數(shù)

灰度共生矩陣是通過計(jì)算圖像中一定距離和一定方向上的2點(diǎn)灰度之間的相關(guān)性來描述紋理的常用方法，反映了圖像在方向、相鄰間隔、變化幅度及快慢上的綜合信息。設(shè)f(x,y)為一幅大小為M×N的二維數(shù)字圖像，灰度級(jí)別為G，則滿足一定空間關(guān)系的灰度共生矩陣為

P(i,j)=#{(x1,y1),(x2,y2)∈

M×N|f(x1,y1)=i,f(x2,y2)=j}

(1)

其中，#{x}表示集合{x}中的元素個(gè)數(shù)[11]，P為G×G的矩陣。

假設(shè)在θ方向上，2個(gè)像素之間的距離為d，則其灰度共生矩陣可表示為P(I,j,d,θ)。θ的取值為0°、45°、90°、135°，d的取值一般與圖像有關(guān)，可根據(jù)實(shí)驗(yàn)來確定。在本文實(shí)驗(yàn)中，角度θ選擇0°和90°，距離d選擇4[5]。由于該實(shí)驗(yàn)中的縫紉試樣圖像的灰度級(jí)為256，灰度級(jí)過大將導(dǎo)致運(yùn)算量增加，影響處理速度，所以在計(jì)算灰度共生矩陣之前需要對(duì)圖像進(jìn)行降級(jí)處理。本文選用等級(jí)為16[12-13]的灰度級(jí)，以減少運(yùn)算量，提高程序的處理速度。

在相應(yīng)的參數(shù)確定之后，分別計(jì)算2個(gè)像素之間的距離為4時(shí)，圖像在0°和90°方向上的灰度共生矩陣，并對(duì)矩陣進(jìn)行歸一化處理。

2.1.2 特征參數(shù)的提取

根據(jù)計(jì)算得到圖像的灰度共生矩陣，可從中提取特征值來分析圖像的局部模式和排列規(guī)則等信息。Haralick等提取了14種特征值[11]，但是Ulaby等[14]研究發(fā)現(xiàn)這些特征之間存在著冗余，一般選用能量、熵、對(duì)比度和相關(guān)性這4個(gè)特征值作為圖像分類的依據(jù)，定義如下。

1)能量：

(2)

2)熵：

(3)

3)對(duì)比度：

(4)

4)相關(guān)性：

(5)

其中：

對(duì)于每幅圖像，在提取特征參數(shù)時(shí)，首先計(jì)算0°和90°方向上灰度共生矩陣的4個(gè)特征參數(shù)，然后分別對(duì)不同的特征值在2個(gè)方向上取均值，可得到4個(gè)特征參數(shù)。采用這樣的處理方式，可抑制方向分量對(duì)紋理特征的影響。

2.2 小波分析

2.2.1 小波分析理論

小波分析技術(shù)是一種在不同尺度上分析圖像紋理細(xì)節(jié)的方法，可通過伸縮和平移等運(yùn)算功能對(duì)函數(shù)或信號(hào)進(jìn)行多尺度細(xì)化分析。小波分析在時(shí)域和頻域都能表征信號(hào)的局部信息，能有效地從信號(hào)中提取信息。

以一維信號(hào)為例，小波變換是以小波函數(shù)Ψa,τ(t)為基底對(duì)信號(hào)f(t)進(jìn)行分解，小波函數(shù)是由同一基底函數(shù)Ψ(t)經(jīng)平移、伸縮得到的一組函數(shù)，如式(6)、(7)所示：

(6)

(7)

式中：a為伸縮因子；τ為平移因子。

利用小波變換，可將信號(hào)通過低通和高通濾波器分解為近似系數(shù)和細(xì)節(jié)系數(shù)，逐步進(jìn)行多尺度細(xì)化，最終達(dá)到高頻處時(shí)間細(xì)分、低頻處頻率細(xì)分，可聚焦到信號(hào)的任意細(xì)節(jié)。

2.2.2 二維離散小波變換

縫紉圖像可被看作是一個(gè)由低頻信號(hào)(圖像的主體)、高頻信號(hào)(噪聲和邊緣)及中高頻信號(hào)(縫紉不平整造成的褶皺)迭加的復(fù)雜信號(hào)，小波分析的時(shí)頻局域化特別適合提取這類信號(hào)的特征信息[15]。對(duì)于這樣的二維信號(hào)，通常采用二維離散小波變換進(jìn)行處理。二維離散小波變換是對(duì)二維圖像信號(hào)在水平和垂直方向作相同的一維離散小波變換，得到4組系數(shù)[Aj,Hj,Vj,Dj]。其中，Aj為第j層的近似系數(shù)，Hj、Vj、Dj分別為第j層的水平、垂直和對(duì)角細(xì)節(jié)系數(shù)。

通過選用合適的小波和分析尺度，可提取反映圖像紋理細(xì)節(jié)的系數(shù)。常用的小波有Haar小波、Coiflet order 1小波、Symlets order 4小波等[4]，小波的種類和分析尺度可根據(jù)文獻(xiàn)[4]中提出的評(píng)估因子來確定，使得特征值呈現(xiàn)線性變化和評(píng)估因子的值最大。通過實(shí)驗(yàn)分析，當(dāng)選用Haar小波、分析尺度為6時(shí)，特征值隨平整度等級(jí)的增加而增加，且評(píng)估因子的值最大。采用Haar小波、在分析尺度為6時(shí)分解圖像，并重構(gòu)水平細(xì)節(jié)系數(shù)，計(jì)算水平細(xì)節(jié)系數(shù)的標(biāo)準(zhǔn)差作為圖像的特征參數(shù)。

3 縫紉圖像特征參數(shù)的訓(xùn)練

3.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)， 由輸入層、隱層和輸出層3部分組成。圖4示出BP神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)圖。

圖4 BP神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)圖Fig.4 Structure of BP neural network model

設(shè)輸入節(jié)點(diǎn)為xl，隱層節(jié)點(diǎn)為ym，輸出節(jié)點(diǎn)為zn，輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值為wlm，閾值為θm，隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值為vmn，閾值為θn，當(dāng)輸出節(jié)點(diǎn)的期望值為tn時(shí)，該BP神經(jīng)網(wǎng)絡(luò)模型的隱層節(jié)點(diǎn)的輸出yl、輸出節(jié)點(diǎn)的實(shí)際輸出zm和輸出節(jié)點(diǎn)的誤差σ計(jì)算式如下所示。

(8)

(9)

(10)

在該BP神經(jīng)網(wǎng)絡(luò)模型中，輸入層接受輸入信息，經(jīng)隱層逐層處理和信息變換后，輸送到輸出層。如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，通過信息的正向傳播和誤差的反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，直至網(wǎng)絡(luò)輸出的誤差減少到可接受的程度，或者達(dá)到預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

3.2 BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建

3.2.1 節(jié)點(diǎn)數(shù)的確定

為描述縫紉試樣圖像的特征，實(shí)驗(yàn)中提取了5個(gè)特征值F1、F2、F3、F4、F5，分別表示圖像灰度共生矩陣的能量、熵、對(duì)比度、相關(guān)性和小波水平細(xì)節(jié)系數(shù)。縫紉試樣的平整度等級(jí)劃分為1～5級(jí)，神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層節(jié)點(diǎn)數(shù)均設(shè)置為5。隱層節(jié)點(diǎn)數(shù)可根據(jù)輸入層、輸出層的層數(shù)和經(jīng)驗(yàn)式(11)確定其取值范圍。

(11)

式中：m、l、n分別為隱層、輸入層、輸出層的節(jié)點(diǎn)數(shù)；c為1～10之間的整數(shù)。

由式(11)可得，隱層節(jié)點(diǎn)數(shù)的范圍為4～13。通過設(shè)置不同的隱層節(jié)點(diǎn)數(shù)，在BP神經(jīng)網(wǎng)絡(luò)中訓(xùn)練，直至結(jié)果穩(wěn)定，所得到的平均訓(xùn)練次數(shù)在節(jié)點(diǎn)數(shù)為7時(shí)趨于穩(wěn)定，實(shí)驗(yàn)中隱層的節(jié)點(diǎn)數(shù)設(shè)置為7。

3.2.2 其他參數(shù)的確定

在BP神經(jīng)網(wǎng)絡(luò)中，其他參數(shù)包括激勵(lì)函數(shù)、閾值、學(xué)習(xí)速率和訓(xùn)練次數(shù)。激勵(lì)函數(shù)選擇Sigmoid函數(shù)，對(duì)于多層神經(jīng)網(wǎng)絡(luò)，Sigmoid函數(shù)劃分的區(qū)域是由非線性的超平面組成的區(qū)域，分類效果比線性劃分準(zhǔn)確、合理，而且網(wǎng)絡(luò)的容錯(cuò)性較好。閾值的大小決定了Sigmoid函數(shù)曲線變換的梯度，本文中輸入、輸出函數(shù)的閾值θm和θn的初始值均選擇為0.3，學(xué)習(xí)速率為0.06[16]，設(shè)置神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)為 2 000，訓(xùn)練所要達(dá)到的精度為1×10-4。

3.3 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

根據(jù)確定的BP神經(jīng)網(wǎng)絡(luò)的參數(shù)，借助現(xiàn)有的函數(shù)在MatLab程序下實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建。對(duì)于BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，具體的實(shí)現(xiàn)步驟如下：1)初始化神經(jīng)網(wǎng)絡(luò)，設(shè)置確定好的各項(xiàng)參數(shù)，其余的參數(shù)選擇默認(rèn)值；2)提取圖像的特征值作為訓(xùn)練樣本，與相對(duì)應(yīng)的期望輸出的等級(jí)輸入到網(wǎng)絡(luò)中；3)反復(fù)訓(xùn)練，調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，直至網(wǎng)絡(luò)輸出誤差的平方和最小，或者達(dá)到設(shè)定的學(xué)習(xí)次數(shù)為止。

選擇每個(gè)等級(jí)5幅圖像，共25幅縫紉試樣圖像，分別提取其特征值作為訓(xùn)練集。圖5示出神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中均方誤差的收斂過程。從圖中可看出，訓(xùn)練收斂時(shí)的訓(xùn)練次數(shù)為265，說明構(gòu)建的神經(jīng)網(wǎng)絡(luò)具有較好的預(yù)測能力。

圖5 神經(jīng)網(wǎng)絡(luò)的誤差收斂過程Fig.5 Error convergence process of neural network

4 評(píng)估結(jié)果與分析

為驗(yàn)證上述算法的正確性，采集另外25幅標(biāo)準(zhǔn)縫紉試樣圖像作為預(yù)測樣本，提取其特征參數(shù)，輸入到構(gòu)建的神經(jīng)網(wǎng)絡(luò)中進(jìn)行識(shí)別分類。通過上述算法提取的特征參數(shù)以及神經(jīng)網(wǎng)絡(luò)自動(dòng)評(píng)估產(chǎn)生的等級(jí)G1與標(biāo)準(zhǔn)試樣的等級(jí)G2的對(duì)比結(jié)果如表1所示。

從表1中的對(duì)比結(jié)果可看出，通過神經(jīng)網(wǎng)絡(luò)自動(dòng)評(píng)估產(chǎn)生的等級(jí)G1與標(biāo)準(zhǔn)試樣的等級(jí)G2完全吻合，分類正確率達(dá)到了100%。這說明提取的5個(gè)特征值可表征不同的縫紉試樣等級(jí)，可用于織物縫紉平整度的自動(dòng)評(píng)估。

為驗(yàn)證算法的優(yōu)越性，將本文算法中灰度共生矩陣及小波特征的分類結(jié)果與前人所采用方法小波特征[4]、灰度共生矩陣特征[5]的結(jié)果相對(duì)比，結(jié)果如表2所示。從表中可看出，灰度共生矩陣及小波特征綜合了二者的特征信息，與單獨(dú)的灰度共生矩陣特征、小波特征相比，正確率較高，具有較好的分類效果。

5 結(jié)束語

通過采集標(biāo)準(zhǔn)織物縫紉試樣圖像并進(jìn)行預(yù)處理，運(yùn)用灰度共生矩陣和小波分析相結(jié)合的方法，提取圖像的5個(gè)特征參數(shù)作為特征值，輸入到BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行分類和識(shí)別，實(shí)現(xiàn)織物縫紉平整度的自動(dòng)評(píng)估。本文提出的算法將圖像的全局信息和局部細(xì)節(jié)信息相結(jié)合，可更為全面地表征不同等級(jí)的圖像信息，具有較高的分類正確率。

表1 特征參數(shù)和縫紉平整度等級(jí)Tab.1 Characteristic parameters and grades of seam-puckering

表2 不同方法分類結(jié)果的對(duì)比Tab.2 Comparison of classification results among different methods

為得到穩(wěn)定的分類結(jié)果，目前在分類識(shí)別時(shí)，作為訓(xùn)練集和預(yù)測集的圖像，均是標(biāo)準(zhǔn)的縫紉圖像，但是在實(shí)際的縫紉試樣圖像中，由于光照條件、面料種類和織物組織結(jié)構(gòu)等因素的影響，使得實(shí)際的縫紉試樣在評(píng)估時(shí)存在較多的不確定性；因此，根據(jù)現(xiàn)有的方法，對(duì)實(shí)際的縫紉試樣圖像的評(píng)估將是進(jìn)一步的研究方向。

FZXB

[1] MARIOLIS I G, DERMATAS E S. Automatic classification of seam pucker images based on ordinal quality grades[J]. Formal Pattern Analysis & Applications, 2011, 16(3): 447-457.

[2] MARIOLIS I G, DERMATAS E S. Automated assessment of textile seam quality based on surface roughness estimation[J]. Journal of the Textile Institute, 2010, 101(7): 653-659.

[3] KANG T J, PARK C, LEE J. Evaluation of seam pucker using fractal geometry[J]. Journal of the Textile Institute, 1999, 90(4): 621-636.

[4] 李艷梅, 張渭源. 小波分析在織物縫紉平整度客觀評(píng)價(jià)中的應(yīng)用[J].紡織學(xué)報(bào), 2009, 30(10): 115-118. LI Yanmei, ZHANG Weiyuan. Application of wavelet analysis in evaluation on seam pucker of fabrics[J]. Journal of Textile Research, 2009, 30(10): 115-118.

[5] MAK K L, LI Wei. A Neural network approach to objective evaluation of seam pucker[C]//Proceedings of the World Congress on Engineering. London:[s.n.], 2007: 2-4.

[6] 楊曉波. 基于模糊模式識(shí)別的織物平整度等級(jí)評(píng)定[J].紡織學(xué)報(bào), 2005, 26(6): 15-17. YANG Xiaobo. Fabric smoothness grade assessment based on fuzzy pattern recognition[J]. Journal of Textile Research, 2005, 26(6): 15-17.

[7] 潘永惠, 包芳, 王士同. 基于改進(jìn)RBF網(wǎng)絡(luò)的縫紉平整度模糊辨識(shí)系統(tǒng)[J].紡織學(xué)報(bào), 2008, 29(3): 76-79. PAN Yonghui, BAO Fang, WANG Shitong. A fuzzy evaluation system of garment seam smoothness based on improved RBF network[J]. Journal of Textile Research, 2008, 29(3): 76-79.

[8] FAN J T, LU D, MACALPINE J M K, et al. Objective evaluation of pucker in three-dimensional garment seams[J]. Textile Research Journal, 1999, 69(7): 467-472.

[9] KOEHL L, MIOU J C, ZENG X. Selecting Relevant Features From Fabric Images for Automated Quality Control of Seam Pucker Using Data Analysis and Human Experts Grading[M]. Berlin Heidelberg: Springer, 2007: 39-54.

[10] KANG T J, KIM S C, SUL I H, et al. Fabric surface roughness evaluation using wavelet-fractal method: part I: wrinkle, smoothness and seam pucker[J]. Textile Research Journal, 2005, 75(11): 751-760.

[11] HARALICK R M, SHANMUGAM K, DINSTEIN I. Textural features for image classification[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1973, 3(6): 610-621.

[12] 高士忠. 基于灰度共生矩陣的織物紋理分析[J].計(jì)算機(jī)工程與設(shè)計(jì), 2008, 29(16): 4385-4387. GAO Shizhong. Analysis of fabric texture based on GLCM[J]. Computer Engineering and Design, 2008, 29(16): 4385-4387.

[13] 曹瑜, 涂玲, 毋立芳. 身份認(rèn)證中灰度共生矩陣和小波分析的活體人臉檢測算法[J].信號(hào)處理, 2014, 30(7): 831-834. CAO Yu, TU Ling, WU Lifang. Face liveness detection using gray level co-occurrence matrix and wavelets analysis in identity authentication[J]. Journal of Signal Processing, 2014, 30(7): 831-834.

[14] ULABY F T, KOUYATE F, BRISCO B, et al. Textural information in SAR images[J]. IEEE Transaction on Geoscience and Remote Sensing, 1986, 24(2): 235-245.

[15] 李艷梅, 仇曉坤, 蔣真真. 縫紉平整度客觀評(píng)判模型的研究[J].絲綢, 2011, 48(4): 28-30. LI Yanmei, QIU Xiaokun, JIANG Zhenzhen. Research on objective evaluating model of seam pucker[J]. Journal of Silk, 2011, 48(4): 28-30.

[16] 盧柳葉, 張青峰, 李光錄. 基于BP神經(jīng)網(wǎng)絡(luò)的遙感影像分類研究[J].測繪科學(xué), 2012, 37(6): 140-142. LU Liuye, ZHANG Qingfeng, LI Guanglu. Image classification of remote sensing based on BP neural networks[J]. Science of Surveying and Mapping, 2012, 37(6): 140-142.

Automatic seam-puckering evaluation using image processing

ZHANG Ning, PAN Ruru, GAO Weidong

(Key Laboratory of Eco-Textiles(Jiangnan University), Ministry of Education, Wuxi， Jiangsu 214122, China)

In order to solve the problem on low-accuracy classification in objective automatic evaluation of seam-puckering, a novel method based on gray level co-occurrence matrix, wavelet analysis and back propagation(BP) network was proposed for automatic seam-puckering evaluation. Firstly, a standard seam image was captured and the gray level of the seam image was reduced to 16 level, the gray level co-occurrence matrix of the seam image in the direction of 0° and 90° were calculated and normalized, then four characteristic parameters including energy, entropy, contrast and correlation were extracted from the gray level co-occurrence matrix, and the mean values of the characteristic parameters were obtained in the direction of 0° and 90°, respectively. Meanwhile, the standard deviation of the horizontal detail coefficients of the seam image was extracted and calculated by using Haar wavelet on the sixth analysis scales. After that, five extracted characteristic parameters were input to the BP neural network for training and recognizing, and the standard seam image was evaluated. The evaluation results show that the proposed algorithm, compared with one adopting gray level co-occurrence matrix characteristic or wavelet characteristic alone, has higher correct classification rate and stable classification effect.

seam-puckering; gray level co-occurrence matrix; wavelet analysis; BP network

10.13475/j.fzxb.20160404106

2016-04-14

2016-10-19

國家博士后基金項(xiàng)目(2013M541602)；教育部博士點(diǎn)基金項(xiàng)目(20120093130001)；江蘇省博士后基金項(xiàng)目(1301075C)； 2014江蘇省研究生創(chuàng)新計(jì)劃項(xiàng)目(KYLX_1132)；江蘇高校優(yōu)勢學(xué)科建設(shè)工程資助項(xiàng)目(蘇政辦發(fā)[2014]37號(hào))

張寧(1992—)，男，碩士生。研究方向?yàn)榛趫D像處理的織物模擬、模式識(shí)別。高衛(wèi)東，通信作者，E-mail: gaowd3@163.com。

TS 941.16

A