随着纺织行业的迅速发展,纺织面料的类型愈来愈多,尤其是新型纺织纤维材料的研发和混合纺纱面料的普遍化,织物的识别和检测逐渐成为一个研究的热点。在纺织工业中,织物的识别和检测也起着至关重要的作用。由于需在破坏织物的前提下识别出未知织物的材料组成成分,传统的方法大多是通过燃烧测试,化学成分分析等具有一定破坏性的方法,在检测效率低的同时,造成了不必要的浪费。因此,迫切需要一种迅速的、准确的、适合大众化的织物面料分类检测的方法。本文以三十种不同的织物在不同风力作用下的数据集作为研究对象,提出了把传统纺织行业与先进计算机技术相结合,利用摆动地织物的多帧图像,从深度学习和织物的力学模型来两个方面对织物进行识别。主要工作分成为基于深度学习的织物识别算法和基于力学模型的织物运动特征提取两部分。(1)通过多种类型织物在不同风力下摆动的视频,分析织物的运动轨迹,提取织物运动轨迹特征,并将其进行特征化表征,根据织物数据集的特点选取合适的深度学习模型进行训练。首先,选取目前主流的视频分类神经网络,分别在织物数据集上进行实证研究,实验结果表明,双流架构神经网络的性能最佳。接着,改进双流架构神经网络,提高织物分类的精度。除此之外,本文还利用残差网络中的可变形卷积来增强网络模型的变换建模能力。实验结果表明,改进后的双流架构对织物分类具有明显的优势,准确率高达98.75%。(2)在风力作用下,织物编织节点间的相互作用决定了织物的运动形态。针对这一特征,本文提出了一种基于力学模型的织物运动特征提取算法,即织物力学模型,实现根据纺织材料在风力下相互作用力的不同来区分不同织物。首先,利用粒子平流法计算织物编织节点间的相互作用力;其次,将力流图像进行分块操作,并随机提取视觉单词进行聚类。最后,使用潜在的狄利克雷分配模型输出似然估计值,构建运动特征折线图对织物进行分类。实验证明,织物力学模型能有效地对织物进行分类。并且在不同的风力下,同种织物的相互作用力特征相同,这为下一步织物的建模和仿真工作提供了基础。实验证明,本文提出的基于深度学习的织物识别算法和基于力学模型的织物运动特征提取算法能够对视频中的织物精确分类;基于力学模型的织物运动特征提取研究揭示了织物运动的特征,为织物的动态仿真提供了基础。