目前,纺织服装面料起毛起球性能常用的评定方式是将摩擦后的面料与标准样照进行目测比对,由测试人员肉眼观察后主观评判起毛起球等级。该检测方法参照于2009年就开始实施的国标GB/T 4802系列,方法陈旧、成本高、效率低、稳定性差,还容易受到测试人员主观情绪等因素影响。因此,针对织物起毛起球性能的计算机视觉客观评价方法成为人们关注的研究课题。本课题研究目标是基于计算机图像处理技术,研发针对织物起毛起球性能的自动检测和评级系统,从而实现无人工干预情况下,对织物起毛起球性能客观、准确的评价。现有的织物起毛起球视觉客观评定研究中,计算机处理的织物图像多为二维灰度图像或三维图像。在二维图像中,鉴于毛球和织物表面在光照下的灰度强度不一致,毛球检测的基本方法为利用灰度阈值分割毛球和织物表面。这种方法容易受到面料上不规则印花的干扰,仅适用于对素色和有周期性纹理的织物进行毛球检测。同时二维图像丢失了毛球的表面深度数据,而这是分割毛球和织物表面的关键信息。三维图像的获取方法主要有激光扫描法、双目立体相机,除此之外,陈霞自制了毛球序列切片采集设备以获得毛球的高度。三维图像采集设备的缺点是成本较高、安装和使用复杂,并且因设备放大倍数限制采集不到绒毛信息。现有对二维图像或三维图像的研究均是基于对毛球的检测和特征提取,尚未有针对绒毛的研究。绒毛对织物手感与外观有很大影响,起毛起球时首先产生绒毛,绒毛聚集缠绕后形成毛球,因此绒毛是起毛起球性能评价的关键因素。针对以上不足,本文对织物起毛起球性能客观评价的研究需要解决两个关键问题,一是开展绒毛层面的起毛起球性能的研究,这需要图像采集设备具有足够的放大倍数使绒毛成像清晰;二是获取织物表面、绒毛及毛球的三维高度信息。基于此,本文在显微镜下采集织物序列多焦面图层,利用depthfromfocus(dff)技术通过聚焦获得织物表面及绒毛的三维深度数据,以此展开对织物起毛起球性能客观评定的研究。本文研究的基本思路是通过在显微镜下采集的同轴多焦面序列光学图层重建织物表面及绒毛的深度信息,并提取织物表面基准平面,实现绒毛和织物本体的分割,根据绒毛覆盖率、覆盖体积、粗糙度、绒毛最大高度和绒毛集中高度等若干特征参数定量计算不同摩擦时间(马丁代尔仪测试的转数等)下的起毛起球等级,研发出织物起毛起球等级计算机自动评定系统,并将本文客观评定的起毛起球等级与人工目测结果进行对比。本文主要对织物起毛起球自动评级系统的硬件架构和软件算法设计进行了深入研究。研究内容包括:基于序列图层重建织物表面及绒毛深度的研究;建立织物表面基准平面以提取绒毛的研究;提取组合特征参数利用支持向量分类器自动评级的研究。同时,以棉纤维机织物和针织物为样本,对织物在不同摩擦时间(转数)下的绒毛集聚态、特征参数和起毛起球等级展开研究,以建立织物起毛起球随摩擦时间变化的动态表征。本文主要研究内容可概括如下:(1)硬件平台构建和图像采集方案检测系统的构建主要包括光源系统的设计和显微镜系统与计算机之间数据传输的设计。针对显微镜自带卤素背光无法穿透厚型织物的问题,选用led环状光源固定在显微镜物镜上提供前向照明。计算机通过串口控制载物台的三轴精确移动,摄像头通过usb2.0数据线将图像数据输入计算机。两者结合使硬件系统具备了平台自动化控制和图像采集的功能。图像采集方案的研究主要包括单视野下多图层图像采集方案和多视野扫描平台行进方案。通过对显微镜平台沿x,y,z三轴方向单步长移动距离和显微系统景深范围的测量,确定了图层间深度距离、采集图层数、切换视野时载物台平移步长值等参数。并针对多视野扫描中电机齿轮齿条传动模式会产生回程误差的缺陷,设计了能消除此种误差的载物台行进路线。(2)序列图像深度重建算法设计本文提出了基于像素清晰度的序列图像深度重建方案。重建深度图像的思路为在图层中沿深度方向寻找平面位置的清晰度峰值点,其所在图层序号即为该点深度。算法的关键在于选择合适的清晰度评判方法。本文提出了基于自适应区域选择的梯度方差清晰度评价算法,解决了传统评价算子抗噪能力弱、固定区域划分导致的深度不连续等问题。通过预重建深度图像、提取绒毛、分解四层子图像、标记连通区域和计算最大内切圆半径等步骤,算法能自适应选择评价区域。实验表明,该方法不仅能正确测量像素点清晰度,且抗噪能力强,从而获得准确的深度信息。(3)基于深度对绒毛和织物本体的分割技术研究本文研究了基于织物基准平面的绒毛和织物本体的分割算法。通过若干位于织物表面基点建立基准面的拟合平面方程,从而实现对基准面上方的目标,也就是绒毛的提取。重点讨论了织物表面基点的选取:获得了所有点的深度信息后,首先沿深度不连续边缘两侧选取种子点;经meanshift漂移,深度相似的点聚类形成若干分裂片;将深度和法向量共同作为阈值,从所有分裂片中筛选出织物表面分裂片,作为拟合平面的基点。实验结果证明拟合的基准平面对织物表面深度的预测准确。(4)基于组合特征和支持向量机(svm)的织物起毛起球自动评级算法研究提取了绒毛覆盖率、覆盖体积、最大高度、集中高度和粗糙度五个特征参数作为svm的输入端,输出端为织物起毛起球等级。本文选择了72块不同颜色和花型的机织物和针织物,每块织物选取3个检测区域,共216个检测区域来检验织物起毛起球自动评级方法的实验效果。通过计算各特征参数在不同大小区域下的稳定性,对检测区域包含的视野个数进行了探讨。选用支持向量机建立织物起毛起球分类模型,并通过网格寻优法确定模型最佳参数。通过对216组数据的交叉验证,系统对起毛起球等级判断的准确率达到89.02%。(5)起毛起球性能随摩擦时间变化的动态表征研究目前常用的织物起毛起球评价方法是将织物按照标准在仪器上完成模拟起球,根据面料起毛起球程度评定等级。然而,织物的起毛起球是一个动态的过程,某一转数下的起毛起球状态不能全面得描述织物在整个起毛起球的过程。本研究通过建立摩擦转数观测点,观察各摩擦阶段的绒毛显微形态。计算覆盖面积率、覆盖体积和粗糙度这三个特征参数,建立与摩擦转数关系的变化曲线。同时,评定织物样本的起毛起球等级,建立等级与摩擦转数之间的关系曲线,并与人工目测等级进行对比验证。将三个特征参数随摩擦时间的变化曲线以及起毛起球等级与时间关系的曲线共同作为起毛起球性能随摩擦时间(转数)变化的动态表征指标。本文研发了基于织物表面和绒毛深度信息的织物起毛起球自动评级系统,并研究了起毛起球性能随摩擦时间变化的动态表征,初步建立了动态表征指标,为建立全面客观且准确的起毛起球评价体系奠定了理论基础。