李艳梅，仇晓坤，蒋真真

(1.上海工程技术大学 服装学院，上海 201620；2.复旦大学 上海视觉艺术学院，上海 201620)

缝纫平整度客观评判模型的研究

李艳梅1，仇晓坤2，蒋真真1

(1.上海工程技术大学 服装学院，上海 201620；2.复旦大学 上海视觉艺术学院，上海 201620)

借助于图像处理技术，提取缝纫平整度照片的图像灰度标准差、图像熵、小波变换系数标准差、小波信息熵等特征参数，建立了缝纫平整度的客观评判的概率神经网络模型。经过训练和检验，得出该模型的预测值与期望值之间的相关系数在0.99以上，说明网络模型有效，且精度高，可以用于预测未知缝纫样本的缝纫平整度等级。

缝纫平整度；客观评判；图像处理；小波分析；概率神经网络

缝纫平整度直接影响到服装的外观、档次和价格，目前商业上普遍采用的缝纫平整度的评价方法是按照AATCC 88B标准进行主观评价。该方法的特点是直接、简单，投入少、易掌握，但评价过程中需要多名专业人员的参与，易受评委个人因素的影响，结果稳定性差，导致其准确性和权威性受到质疑。此外，主观评定的环境要求十分苛刻，实际生产中难于普及。因此，近年来在缝纫质量的综合评价和客观评价方面的研究逐渐增多。早在1989年，日本的乾滋涉谷等就通过超声波计测装置来测量织物的缝纫皱缩，这种装置能准确测出轻微的缝纫皱缩，但这种方法容易受到织物密度大小及毛羽等织物表面性能的影响[1]；90年代末期，Park.C.K[2]提出了应用三维影像分析技术和人工智能技术，采用5个形状参数来评估线缝起皱的定量方法；2000年，Kang.T.J等[3]用分形几何法对面料折皱和线缝起皱进行了客观评定；香港理工大学的Fan.J等[4]从1990年起就采用图像处理方法对服装表面接缝处折裥图像展开研究；2002年，东华大学的刘侃[5]提出用模糊聚类方法评价服装加工性能，探索了服装缝纫加工质量的客观综合评价方法；2004年，东华大学的张静[6]继续研究了缝迹外观质量的模糊综合评判方法。

因此，从目前的研究趋势来看，随着计算机技术的发展，借助于图像处理和数学分析方法对缝纫质量作客观评价和综合评价的研究不断增多，但是由于织物与服装柔软多变，各种研究成果均存在一定的局限性。本研究将图像处理和小波分析方法引入缝纫平整度的客观评价中，利用小波变换在时频分析中具有的放大局部突变信号的特性，提取缝纫不平整褶皱的中高频信号，增加缝纫平整度特征提取的准确度，在此基础上建立概率神经网络模型，为缝纫平整度的客观评判提供一种新的方法。

1 缝纫平整度客观评判系统的组成

缝纫平整度客观评判是基于图像表面的灰度分布特征和对图像作小波分析的基础上完成的，主要由4个部分组成，分别为图像录入与预处理、小波分析、特征参数提取、建立客观评判模型。其中合理地提取特征参数是制约客观评判模型精度和效率的关键因素。

2 缝纫平整度客观评判指标的提取

以AATCC 88B标准样照为研究对象，AATCC 88B分别针对单线缝缝纫和双线缝缝纫提供了缝纫平整度等级的标准样照，将线缝平整度分为5个等级，其中等级“ss-1”为最差，等级“ss-5”为无皱缩线缝。本研究中，在标准光照条件下，针对AATCC 88B的单线缝和双线缝标准样照，对各个缝纫平整度等级照片中随机选择的32个位置拍摄照片录入计算机，经过预处理后，分别得到单线缝和双线缝2个系列的标样照片的160幅图像，作为后续分析的样本。

2.1 基于图像灰度变化的特征参数

2.1.1 图像的灰度标准差

假设xij为图像F中(i，j)位置处的像素的灰度值，为图像中所有像素的灰度平均值，图像的大小为M×N，则图像的灰度标准差定义为：

分析图像标准差与缝纫平整度等级的相关关系，得到双、单线缝与缝纫平整度等级间的最大相关系数分别为0.971和0.930。

2.1.2 图像信息熵

图像的熵是一种特征的统计形式，它从图像所包含信息变化的角度描述图像的性质，反映了图像中平均信息量的多少，其值越大，说明细节信息越丰富。灰度图像熵的计算如下：令pi表示图像中灰度值为i的像素所占的比例，即图像一维直方图的灰度级分布信息，则定义灰度图像的一维灰度熵为：

分别计算双、单线缝缝纫标样图像的图像熵，分析其与缝纫平整度等级的相关关系，最大相关系数分别为0.976和0.935。

2.2 基于图像小波分析的特征参数

缝纫图像可以被看作是一个由低频信号(图像的主体)、高频信号(噪声和边缘)及中高频信号(缝纫不平整造成的褶皱)迭加的复杂信号，小波分析的时频局域化特性特别适合提取这类信号的特征信息。小波变换后的细节系数使得二维图像的主要信息以一组一维特征量来表征，从而可以更加直观、有效、方便地对图像进行信号提取和检测[7]。

2.2.1 小波标准差

分别对双、单线缝的缝纫平整度标样图像作5尺度haar小波分解，分别提取第5分析尺度和第4分析尺度的水平细节系数标准差，垂直细节系数标准差和对角细节系数标准差，并分析其与缝纫平整度之间的相关关系。由此得到的小波标准差与缝纫平整度等级间的相关系数见表1。选取相关系数在0.9以上的特征参数作为建模参数，即。

表1 小波标准差与缝纫平整度等级的相关系数Tab.1 Correlation coeff i cient between wavelet standard deviation and seam pucker grades

2.2.2 小波能量

小波标准差对信号特性的清晰描述程度依赖于小波分析的尺度，而小波能量可以从能量分布的角度综合各尺度的信号特征。定义单一尺度下的小波能量为该尺度下小波系数的平方和[8]，由此推论，总能量可以定义为：

对于二维的图像信号，若其大小为M×N，经过小波分解后，设其第j分析尺度的水平、垂直和对角方向上的小波系数分别为Hj，Vj，Dj，则其小波能量可以定义为：

将3个方向的细节系数的小波能量相加，即获得小波分解后的细节系数的总能量。分析双、单线缝图像的小波能量与缝纫平整度等级的相关关系，得到相关系数分别为0.977和0.959。

3 缝纫平整度评价的概率神经网络模型

概率神经网络是非线性的模式分类技术，既有统计分类的功能，又不受多元正态分布等条件的限制，需调节的参数很少，特别适用于模式分类问题。与BP算法网络性能相比，具有结构简单，训练时间短，且不易收敛到局部最优的优点，并且在学习样本有限的场合具有很高的稳定性。

PNN网络通常由4层组成[9]，如图1所示。其中第一层、最后一层分别为输入层和输出层，中间两层为隐层。第二层为模式单元层，它与输入层之间通过连接权值相连接。第三层为累加层，它具有线性求和的功能，接受各隐层节点的计算结果，并对属于同一类别的输出求和，这一层的神经元数目与欲分的模式数目相同。

图1 PNN神经网络组成Fig.1 Composition of probabilistic neural network

3.2 特征参数的归一化处理

由于所选特征参数数据的量纲和量级不一致，需要进行归一化处理，将它们刻度在统一的数值量纲和量级范围内。如前所述，本研究所获得的特征参数与缝纫平整度等级之间均为具有线性或者近似线性关系，所以采用线性归一化公式进行处理。

式(5)中：hi为经过归一化计算后的特征参；xi为原始特征参数值；xmax为特征参数的最大值；xmin为特征参数的最小值。

3.3 缝纫平整度等级评判的PNN网络算法的实现

3.3.1 构建PNN网络模型

将缝纫平整度图像的优选特征参数作为神经网络的输入，以缝纫等级作为输出层信息的参数，建立相应的概率神经网络拓扑结构，并在Matlab软件中编程实现。

3.3.2 训练网络

分别随机抽取单、双线缝缝纫平整度图像中的110组样本数据作为训练样本数据，其余的50组数据作为网络的检验数据。以缝纫等级作为期望输出矢量，训练缝纫平整度评判的PNN网络模型。网络训练完成后，将各层神经元间的连接权值代回网络中，对训练样本进行回归模拟，训练样本的期望输出与PNN网络的仿真输出均完全重合。这说明网络已训练成功。

3.3.3 检验网络的预测能力

对50个检验样本进行缝纫平整度等级的网络识别，得到结果为无论是双线缝还是单线缝，网络识别的错分数量均为1，准确率达到98 %，预测值与实际值之间的相关系数为0.995，并且都通过了F检验的显著性检验。

3.3.4 实际样本的缝纫平整度预测

为了验证以上建立的服装面料缝纫平整度客观评价模型的有效性和精度，选用典型面料，分别制作了20个双线缝和20个单线缝缝纫样本。首先对实际样本的缝纫平整度进行主观评定。主观评定参照AATCC 88B标准完成，选取了10位从事服装教育和服装加工的专业人员，经过培训后，在标准灯箱中对照AATCC 88B标准样照对每一个试样单独评分，之后计算每一试样的平整度得分的平均值，取整后作为其最终等级，获得的结果见表2。

表2 实际样本缝纫平整度等级的主客观评价结果Fig.2 Comparison between objective and subjective evaluation result of actual samples

然后将40个样本在标准光源箱中拍照得到其图像并进行预处理，按照本研究所述方法提取特征参数并作归一化处理，然后将其分别代入本研究建立的双、单线缝的缝纫平整度客观评价模型中，将标准样照的160组特征参数作为训练样本，将测试样本的特征参数作为检验样本，经过计算后，得到的模型预测值见表2；将其与主观评价值作相关分析，结果见表3。

从表3中可以看出，对于实际缝纫样本，本研究建立的缝纫平整度客观评价模型仍然具有较高的预测精度，其预测准确率达到90 %，而主客观评价的相关系数达到了0.95以上。由此说明，建立的PNN网络具有良好的预测能力。

表3 实际样本缝纫平整度等级的主客观评价结果分析Fig.3 Analysis of objective and subjective evaluation result of actual samples

4 结 论

本研究主要探讨了缝纫平整度客观评判系统的建立和检验。根据提取的特征参数与缝纫平整度等级间的相关关系，选取典型的特征参数建立了概率神经网络模型。检验证明，该概率神经网络模型对于数据的分布特征基本无要求，模型的精度较高，可以获得良好的评判效果。本文研究的缝纫平整度客观评判模型可以克服传统主观评价的模糊性和不确定性，为缝纫外观的客观评价提供了一种有效的手段。

[1]乾滋涉谷.シームパッカリングの定量的评价[J].纤维学会志，1990(6)：245-249.

[2]PARK C K, KANG T J. Objective rating of seam pucker using neural networks[J]. Textile Research Journal, 1997, 67(7): 494-502.

[3]KANG T J, LEE J Y. Objective evaluation of fabric wrinkles and seam puckers using fractal geometry[J]. Textile Research Journal, 2000, 70(6): 469-475.

[4]FAN J, LIU F. Objective evaluation of garment seams using 3Dlaser scanning technology[J]. Textile Research Journal,2000, 70(11): 1025-1030.

[5]刘侃.用模糊聚类分析法评价服装加工性能[J].西安工程科技学院学报，2002(6)：116-120.

[6]张静.线迹外观质量的模糊综合评判[J].四川纺织科技，2004(4)：8-11.

[7]韩琳，杨明.基于小波变换的纹理特征提取分析[J].电脑知识与技术，2007(11):1395，1422.

[8]HE Zheng You, CAI Yu Mei, QIAN Qing Quan.A study of wavelet entropy theory and its application in electric power system fault detection[J].Proceedings of the CSEE,2005, 25(5): 39-43.

[9]PATRA P K, NAYAK S K,GOBBAK N K.Probabilistic neural networks for patten classification[C]//2002 International Joint Conference Neural Networks.Honolulu: IEEE, 2002: 1200-1205.

Research on objective evaluating model of seam pucker

LI Yan-mei1, QIU Xiao-kun2, JIANG Zhen-zhen1
(1. Fashion College, Shanghai University of Engineering Science, Shanghai 201620, China; 2. Shanghai Institute of Vision Art, Fudan University,Shanghai 201620, China)

In this paper, the standard deviation of image grey, Image entropy, standard deviation of wavelet coefficient and wavelet entropy about the photograph of seam pucker are extracted based on the image process technology. Then probabilistic neural network (PNN) model of evaluation of seam pucker is established. After training and testing, the correlation coefficient between prediction value and the expected value is above 0.99,which indicates that the network model has high precision and can be used to predict seam pucker of unknown samples.

Seam pucker; Objective evaluation; Image process; Wavelet analysis; Probabilistic neural network

TS941.634；TP391

A

1001-7003(2011)04-0028-04

2010-11-22；

2010-12-07

上海市教委科技创新基金项目(10YZ170)

李艳梅(1974－ )，副教授，主要从事纺织品性能分析与设计，数字化服装技术的教学研究。