基于多尺度卷积的裤子腘窝平整度客观评价

孙思晴　刘成霞　郑晓萍

摘要：针对目前缺乏实际着装起皱的客观评价方法，文章选取35块机织试样，根据中间体型绘制合体裤装样板并缝制，模拟日常活动中裤子腘窝处的起皱过程，获取折皱图像并进行主观评价，制作图像标签。利用SURF提取圖像特征并对不同等级的图像两两组合进行K-means聚类，校正图像标签。设计一种基于多尺度卷积的着装平整度客观评价模型，利用多尺度卷积操作对输入的折皱图像进行不同范围的特征提取并进行特征融合，输出着装平整度的等级预测结果。研究结果表明：该模型的预测准确率达92.69%，优于CNN、BP方法的分类效果。

关键词：着装平整度;主观评价;客观评价;深度学习;多尺度卷积

中图分类号：TS941.2

文献标志码：A

文章编号：10017003（2021）04004305

Abstract：Inviewofthelackofobjectiveevaluationmethodforactualwearingwrinkle，35wovensampleswereselectedandfittedpantsamplesweredrawnandsewn，accordingtoaveragephysique.Thewrinklingprocessofpoplitealspaceofpantsindailyactivitieswassimulated，wrinklingimageswereobtained，subjectiveevaluationwasconductedandimagetagsweremade.SURFwasemployedtoextractimagefeatures，imagesofdifferentgradeswerecombinedpairwiseforK-meansclusteringandimagelabelswerecorrected.Anobjectiveevaluationmodelontheflatnessofpoplitealspacebasedonmulti-scaleconvolutionwasdesigned，whichextractedfeaturesfromdifferentrangesofwrinkleimagesthatwereinputusingmulti-scaleconvolution，featureswerefused，andthenpredictionresultsoftheflatnessofwearingwereoutput.Theresearchresultsindicatedthatthepredictionaccuracyofthemodelwas92.69%，whichwasbetterthantheclassificationeffectofCNNandBPmethods.

Keywords：wearingwrinkle;subjectiveevaluation;objectiveevaluation;deeplearning;multi-scaleconvolution

作者简介：孙思晴（1995），女，硕士研究生，研究方向为纺织服装检测技术。通信作者：刘成霞，教授，glorior_liu@163.com。

服装外观性能如缝纫平整度、洗后平整度、服装褶裥等的客观评级一直是纺织品检测领域的研究热点。目前，主要采用标样对照法对织物平整度进行等级评价，但该方法对环境要求高，且实时性差、易受心理因素影响，有诸多不确定性。因此，众多国内外学者致力于研究客观有效的织物平整度评估方法。

随着计算机技术的发展，针对织物平整度等级的客观评价方法研究主要集中在图像处理技术、三维扫描、三维建模等。基于二维图像的评价主要利用图像灰度信息，如描述性统计[1]、傅里叶变换[2]、小波变换[3]、灰度共生矩阵[4]、分形维数[5]等来描述织物的平整程度。但该方法要求特定的图像采集环境，且无法对复杂图案的织物进行评价。基于三维图像的评价主要通过三维扫描技术[6]、光度立体视觉法[7]、阴影恢复重建算法[8]等方法获得织物三维表面形态或三维点云坐标，提取能反映织物平整程度的特征指标。但该方法成本高、实时性差、部分三维重建技术易受织物图案影响，且对图像采集环境要求较高。

然而，目前对织物平整度的研究主要针对洗护后的起皱程度，对着装起皱研究较少。刘成霞[9]构建了一模拟实际着装起皱的装置，并利用数字图像处理技术建立了服装关节部位抗皱性的评价方法;陈丽丽[10]以实际着装起皱图像为研究对象，探究了用灰度共生矩阵客观评价着装平整度的可行性。众所周知，着装起皱更影响服装的美观性，且着装起皱更能反映织物整体抗皱性的强弱，因此对其研究更加重要。本文以实际着装过程中的折皱为研究对象，基于多尺度卷积建立评价模型，以期实现着装平整度的客观评定。

1 折皱图像数据集的建立

1.1 试样的选取

收集了市面上常见的35种纯色机织裤装面料，织物厚度、颜色、抗皱性和组织结构均不相同，原料包含棉、麻、丝、毛及化纤等。市场上的面料千差万别，层出不穷。本文也很难在有限的篇幅和研究时间内，穷尽所有的面料，只能管中窥豹，通过有限的面料探索一种评价方法。

1.2 实验样裤制作及图像采集

裤子由于膝盖的频繁弯曲，易在穿着过程中出现大量折皱，因此本文选择裤子腘窝处的折皱为研究对象，实验环境为温度（20±2）℃、相对湿度（65±3）%。选择一名中间体型的女性作为被试者，身高160cm、腰围70cm，根据被试者体型绘制合体裤装样板并缝制实验样裤，所有工艺均由同一人在同一机器上完成。

样裤熨烫平整后由被试者进行穿着起皱。穿着动作包括静坐5min（膝弯屈成直角）、匀速爬楼5min（膝弯屈成钝角）、下蹲5min（膝弯屈成锐角）。之后将裤子小心脱下，利用图1中的装置对腘窝处的折皱进行图像采集，该装置由佳能700D相机（日本佳能），条形光源、支架、载样台（实验室自备）等组成。由于裤子折皱多为横向或斜向折痕，因此采用单侧条形斜向光源对其照射，使光线与织物表面形成一定的入射角度，经织物凹凸不平的表面形成漫反射，使图像呈现明暗变化。为防止其他光线的干扰，图像采集过程在暗室中进行。因考虑折皱多集中在中裆线下部，因此选取两裤腿中裆线向上5cm至向下15cm为折皱获取部位并作标记。在载样台上标记20cm×20cm的正方形区域为拍摄区域，获取图像时使裤腿的标记线和正方形的两边重合，后用Photoshop软件截取区域内折皱图像。

由于卷积神经网络所需样本量较大，加上裤子起皱部位因面料差异具有不同的折皱表现，因此为增加数据集，对35条样裤12h内的折皱变化过程进行图像采集。考虑到一般

情况下折皱回复过程由快变缓后趋于稳定的实际情况，因此在35条样裤起皱实验后的15min、30min、45min、1h、1.5h、2h、2.5h、3h、3.5h、4h、5h、6h、7h、8h、9h、10h、11h、12h共18个时刻对裤子起皱部位进行拍摄，每条样裤有左右2条裤腿，因此35条样裤共得到1260张折皱图像。

1.3 主观评价

如前所述，现有的平整度评级标样主要针对洗后平整度，不适用于着装平整度，即目前尚未有直接用于评价实际着装起皱的标样，因此采用专家评价法对裤子的起皱程度进行评定。请10位纺织行业专家对1260张折皱图像进行等级评定，将其分为5个等级：1级折皱数量多且折痕深;2级折皱数量较少、折痕较深;3级折皱数量较多但折痕较浅;4级折皱数量较少、折痕较浅;5级几乎无折皱，如图2所示。评价步骤为：专家提前15min进入实验室，熟悉环境和评判规则，对所有折皱图像进行总体了解。雖然折皱图像较多，但样裤最初的70张折皱图像反映了不同织物的折皱数量，随后的图片则反映了同一织物随时间的推移，折皱深浅的变化情况。因此，将每一条裤子的折皱图像单独列入一个文件夹，请专家先对35条样裤最初的折皱图像进行排序，粗分为折皱数量较多和较少两类，再根据折皱深浅程度对其进行等级划分。初步等级评定后，再进行仔细对比和调整，确定折皱等级，最后取10名专家评级结果的平均值作为该织物的最终等级，并根据评级结果制作样本标签。

1.4 基于K-means的数据集校正

由于主观评价具有一定的不确定性和不稳定性，专家可能对同一张折皱图像存在争议，求取平均值的方式不适合用于存在争议的折皱图像，因此采用无监督的方法对评级结果进行校正。

选择K-means算法对数据集的标签进行校正，其主要通过设定初始聚类数目和聚类中心，根据特定的距离公式进行相似性度量，不断迭代重新得到数据聚类中心，并对数据集进行划分，得到聚类结果。

SURF算法使用图像金字塔构造不同的尺度空间，具有尺度不变性、旋转不变性，还具有良好的抗光照及抗噪能力，因此本文通过SURF算法对折皱图像进行特征提取和特征描述，将折皱图像划分为5个等级，即分为5类。将这5类分别两两组合，即将五分类问题转化为若干个二分类问题，每二类利用K-means算法根据折皱图像的SURF特征进行聚类，去除两类中有偏差的图片，最终从1260张筛选出1120张等级明确的图片。

2 深度神经网络模型设计

2.1 卷积神经网络（CNN）

卷积神经网络由卷积层、池化层和全连接层组成[11]，本质是一个多层感知器，其优点在于稀疏连接和权值共享，能有效减少网络的参数个数并缓解模型过拟合的问题。卷积层使用卷积核对图像特征进行不同尺寸的过滤，以获取整体的局部特征。池化层通过对数据进行降维，减少提取的特征数据，防止过拟合。例如，卷积输入一个图像数据的矩阵和卷积核之间逐点乘积，然后是线性的整流ReLU，使卷积的输出稀疏，即对数据进行标准化。最后池化操作通过选择窗口上的最大值来减小维度。卷积的公式如下：

2.2 基于多尺度卷积的模型设计

由于着装平整度的评价既要考虑折皱数量又要考虑折皱深浅，因此本文设计一种多尺度卷积神经网络模型来提取折皱图像不同尺度的局部特征，以更全面地预测折皱等级。

本文设计的网络模型先使用不同的卷积核，使用40个不同大小的过滤器（2×2、3×3、4×4和5×5各10个）提取不同尺度的折皱特征。以上卷积核的大小和个数都是经过重复实验得出的最优参数，且保持了提取信息的完整性，因此每种卷积核给出了100×100×10的特征图。然后是批处理规范化层，目的是减少神经网络中的内部协变量偏移，同时加快收敛过程，降低初始化要求，方便调参，提高分类效果。此外，用ReLU激活每个神经元。接下来用全局最大池化来降维，减少训练参数量。对卷积之后的特征图进行连接，输出为50×50×40的特征图，并将特征图展成一维向量依次输入到两个全连接层中，大小分别为128和64。在最后一个全连接层上使用一个dropout函数来随机丢弃训练过程中全连接层的一些节点，以免过拟合。对于第i个神经元，使用dropout后的输出公式如下：

最终的输出层由对应于五个等级结果的五个神经元组成，由全连接层输出的结果得到。本文设计的网络模型整体框架如图3所示。

3 实 验

3.1 环境与参数

采用筛选后的1120个实验样本，每次随机抽取20%的样本用来测试，其余的用于训练。训练时每批的大小为32，学习率为0.0001，dropout函数设置为0.2。模型的训练环境为IntelCorei7-10510UCPU，8GB内存，编译环境使用了python3.6和TensorFlow1.2。

3.2 结果与分析

本文设计的模型在原有CNN的基础上，进一步利用不同卷积核在提取多尺度特征上的优势，将不同层级产生的特征拼接展平为多尺度特征并提供给分类器，多维度提高平整度的预测准确率及底层信息的利用率。实验中，为了克服不同卷积核卷积后的尺寸不同，造成后续提取的特征无法融合的问题，将Padding的方式设置为samepadding，损失函数为softmax的交叉熵，采用亚当优化算法最小化损失函数。通过不断迭代来优化模型的参数，使训练精度和损失函数值都趋于平稳，训练过程如图4所示，随机选取了224个样本用来验证模型的效果。选择准确率（ACC）作为预测评价指标，计算公式如下：

ACC/%=正确预测的样本数量测试样本总数量×100（4）

此外，表1列出了2×2、3×3、4×4、5×5、6×6的卷积核叠加组合后对等级预测结果的影响。由表1可见，显示预测准确率并不是随多尺度卷积核的增加而增加，当同时应用这5种卷积核时，由于模型复杂度变高，出现过拟合现象，导致了预测准确率下降。因此，最终选用预测准确率较高的2×2、3×3、4×4、5×5四个卷积核，但实验中调参卷积核的大小不仅限于表1中的尺度。

为了验证多尺度卷积是否能有效提高着装平整度的预测准确率，本文采用误差反向传播（BP）和卷积神经网络（CNN）进行对比分析。图5为不同算法时每个等级的预测准确率，可以看出Multi-CNN（多尺度卷积神经网络）的预测准确率都高于其他两种算法。表2为不同算法的整体准确率，可以看出多尺Multi-CNN的准确率为92.69%，比CNN提高3.31%，比BP神经网络提高约10%，且损失最小。这说明多尺度卷积核通过提取不同尺度的折皱特征并进行特征拼接融合，保留了更多的图像信息，利于提高分类正确率。因此，利用本文设计的模型可有效实现着装平整度的客观评定，且对输入图像的要求较低。

4 结 论

以实际着装过程中裤子腘窝处的折皱为研究对象，选取35种常见纯色机织物进行样裤制作和着装起皱，通过拍照记录折皱变化获取折皱图像，根据主观评价和K-means聚类制作图像标签，以896张折皱图像作为训练样本、224张作为测试样本，对构建的多尺度卷積神经网络模型进行训练和测试，经过分析可以得到以下结论。

1）该模型能保留更完整的信息，提取图像多维度特征，有效实现着装平整度的预测，准确率为92.69%，比CNN提高331%，比BP神经网络提高约10%，且损失最小。

2）相比其他利用图像特征进行神经网络预测的方法，深度神经网络能提取更多利于图像分类的抽象特征，在图像学习及预测方面更具优势。

目前关于织物平整度的研究，研究对象大多围绕AATCC起皱器产生的折皱，或者用洗衣机洗涤之后的平整度展开，这些折皱与穿着过程中引起的服装折皱在形态上有极大差异。

本文以服装实际穿着过程中的平整度为研究对象，具有更强的现实意义和实际应用价值。另外，本文构建的基于多尺度卷积的深度神经网络模型，不仅为客观评价着装平整度提供了新手段，而且可用于缝纫平整度、织物洗后平整度等的客观评定，还能为纺织品外观质量的在线检测提供参考。

参考文献：

[1]汪黎明，陈健敏，杜凤霞.利用图像的统计分析方法评价织物免烫等级[J].青岛大学学报，2002，17（1）：41-43.

WANGLiming，CHENJianmin，DUFengxia.Evaluationoffabricwrinkingwithstatisticmethodofimageanalysis[J].JournalofQingdaoUniversity，2002，17（1）：41-43.

[2]吴嘉斌，徐增波.基于傅利叶谱分析技术的织物起皱特征提取和分析[J].上海毛麻科技，2001（1）：34-36.

WUJiabin，XUZengbo.Extractionandanalysisoffabricwrinklecharacteristicsbasedonfourierspectrumanalysistechnology[J].ShanghaiWoolandJuteJournal，2001（1）：34-36.

[3]杨晓波，黄秀宝.织物表面折皱的小波分析与自组织神经网络等级评定[J].中国图象图形学报，2005（4）：473-478.

YANGXiaobo，HUANGXiubao.Waveletanalysisoffabricsurfacewrinkleandself-organizedneuralnetworkgradeassessment[J].JournalofImageandGraphics，2005（4）：473-478.

[4]石康君，王静安，高卫东.织物褶皱多尺度灰度共生矩阵分析[J].丝绸，2020，57（2）：35-40.

SHIKangjun，WANGJingan，GAOWeidong.Multi-scaleGLCManalysisoffabricwrinkles[J].JournalofSilk，2020，57（2）：35-40.

[5]杨艳，钱坤，李鸿顺.基于绉织物表面图像分形特征分析的绉效应评价[J].丝绸，2007（10）：40-41.

YANGYan，QIANKun，LIHongshun.Crepeeffectevaluationbasedonfractalcharacterizationanalysisforsurfaceimageofcrepefabrics[J].JournalofSilk，2007（10）：40-41.

[6]刘成霞，甘敏，郑文梅.织物平整度的特征提取方法对比研究[J].丝绸，2018，55（3）：45-49.

LIUChengxia，GANMin，ZHENGWenmei.Comparativestudyoffeatureextractionforfabricsmoothness[J].JournalofSilk，2018，55（3）：45-49.

[7]徐建明.织物平整度等级客观评估系统的研究[D].上海：东华大学，2006.

XUJianming.StudyonObjectiveAssessmentSystemofFabricSmoothnessGrade[D].Shanghai：DonghuaUniversity，2006.

[8]杨晓波.织物平整度等级的计算机视觉评估[D].上海：东华大学，2003.

YANGXiaobo.ComputerVisionAssessmentofFabricWrinkleGrade[D].Shanghai：DonghuaUniversity，2003.

[9]刘成霞.模拟实际着装的织物折皱测试及等级评价方法研究[D].杭州：浙江理工大学，2015.

LIUChengxia.InvestigationintoMeasurementandGradeEvaluationofFabricWrinklingSimulatingActualWear[D].Hangzhou：ZhejiangSci-TechUniversity，2015.

[10]陈丽丽.基于灰度共生矩阵的毛料裤子穿着平整度特征提取[J].毛纺科技，2017，45（5）：50-54.

CHENLili.EigenvalueextractiononwearingsmoothnessofwoolpantsbasedonGray-levelco-occurrencematrix[J].WoolTextileJournal，2017，45（5）：50-54.

[11]LECUNY，BENGIOY，HINTONG.Deeplearning[J].Nature，2015，521（7553）：436-444.