庹武 郝潇潇 郭鑫 刘永亮 陈谦
摘要:为实现自动判别男西装袖的弊病类型,提出了一种将图像处理技术与BP神经网络相结合的判别方法。首先收集不同弊病类型的男西装袖图像,借用MATLAB平台,对图像进行灰度化、灰度增强、二值化等预处理,绘制褶皱部位的灰度曲线图;然后基于灰度曲线图以及二值化图提取褶皱宽度、褶皱深度和褶皱斜率等3个特征参数;最后将提取的特征参数和对应的弊病类型输入到BP神经网络中训练和识别,对男西装袖弊病图像的类型进行分类。结果显示,提出的方法对袖弊病类型的判别具有较高的准确率与稳定性。
关键词:男西装袖;弊病类型;褶皱;图像处理;BP神经网络
中图分类号:TS941.26
文献标志码:A
文章编号:1009-265X(2023)02-0047-08
随着人民生活水平的提高,服装定制已成为行业热点。当顾客试穿定制服装出现服装结构不平衡时,可能产生不同形式的弊病褶皱,直接影响服装的美观性以及合体舒适性[1]。目前对弊病的判断,主要是专业人员分析顾客着装状态并给出修正方案,这对专业人员的经验和技术要求较高且效率较低。因此,利用计算机图像技术分析顾客着装图像判断弊病类型,快速且智能地识别出服装弊病类型是目前服装定制企业需要解决的技术难题[2]。
目前关于国内外着装褶皱图像的研究,主要是基于图像空间域、频域,通过图像灰度处理技术、中值滤波处理、灰度增强、阈值分割等方法进行处理[3-4]。如国内的刘婷利用多种图像处理方法提取了褶皱的相关参数,实现了对服装平整度的客观评价[5];张蒙蒙[6]通过着装褶皱图像的分析,量化不同褶皱以评价服装的合体性;张俊等[7]通过MATLAB软件对着装图像的褶皱灰度值分布分析,利用多元回归方法,得到服装着装褶皱与宽松量的回归模型,实现对服装宽松程度的客观评价; Hesarian等[8]将轮廓光线法与图像处理技术相结合,实现褶皱等级的评价;Silvestre-Blanes等[9]运用了激光扫描技术,并对获取的图像分析,设计了一个褶皱自动评价系统;研究主要集中在褶皱与服装合体性、服装平整度的相关性、评价褶皱等级的研究,没有进一步分析褶皱与服装外观弊病的联系。
针对目前存在的问题,本文基于男西装袖,提出一种图像处理技术与BP神经网络相结合的袖弊病类型的判别方法,利用图像灰度处理技术提取袖弊病图像中的褶皱特征参数,结合对应的弊病类型构建BP神经网络模型,以实现有效识别袖弊病类型的目的。
1袖弊病图像与预处理
1.1袖弊病图像分析
男西装袖是最重要的部位之一,对男西装的外观具有重要影响[10]。当西装袖出现弊病时,褶皱是直观呈现在袖子表面的判断指标,其分布规律和形态特征能够反映袖子与着装者之间的状态,如表1所示。当褶皱的宽窄程度、疏密程度、走势方向不同时,形成的弊病类型也会有所不同。当横向的宽度不够或纵向的长度过多,会产生横向的褶皱,如弊病袖肥横褶和袖山横褶分别是由于袖肥不够和袖山高过高而产生的不同横向褶皱。当纵向长度不够或横向上过多的宽度会引起纵向褶皱如弊病袖山直褶。当面料与人体接触面受力不均衡时,袖子产生不同
程度的斜向褶皱,如袖子起裂、后袖打绺等弊病[11]。因此,依据不同弊病的褶皱形态,可提取表征褶皱形态的参数作为判断弊病类型的依据。
為使判别弊病类型的结果稳定,选取褶皱宽窄、疏密以及走势等特征比较明显的弊病着装图像作为实验样本,分别是袖山直褶、袖山横褶、袖子起裂、后袖打绺等弊病图像。收集服装定制企业顾客的袖着装图像作为实验的样本(共有52个图像样本、4种弊病类),用于分类识别部分的训练和预测,图1为收集的4类袖弊病图像的样本之一。后续实验所用到的着装图像样本中的人体均是自然站立,手臂自然下垂,并且外观弊病褶皱的产生,经多名质检人员、版师及工艺师分析均是服装结构不平衡导致的。
1.2图像预处理
对于存在弊病的袖图像,预裁剪成3 000×1 000的像素大小,并旋转至统一的方向,对图像进行灰度化处理,褶皱部位的灰度变化反映了褶皱变化规律,利用直方图均衡化方法进行灰度增强,使弊病图像的特征易于显现。最后通过最大熵阈值分割的算法,得到图像的二值化图,利于特征提取[12]。弊病图像预处理的变化过程如图2。
2图像信息分析与参数提取
在图像处理技术中,有关图像的各种信息都可以通过灰度图的灰度值反映出来。基于图像的灰度信息变化以及不同的算法,对褶皱形态特征、走势变化进行数字化识别。
2.1图像信息分析
弊病褶皱的凹凸对光线的反射效果不同,灰度图的灰度值变化反映了这种特征,灰度值大则褶皱凸起,灰度值小,褶皱内凹。本文对着装弊病图像进行灰度化相关的处理后,提取褶皱参数。
弊病部位的褶皱情况借助MATLAB图像处理软件进行描述,选择褶皱部位平行于袖侧边或袖底边的位置线进行数据采集,来描述整个弊病的褶皱。如图3所示为采集线的灰度变化信息,横坐标为像素点的位置,纵坐标为灰度值。当着装图像没有褶皱时,灰度值波动较小,出现褶皱时,波动较大。图3(a)所示的灰度曲线图中,最初出现一个波峰,对应袖弊病图像在此处凸出的一个小褶皱,随后出现了一个谷底,说明该处灰度值较低,对应着弊病袖的第一个褶皱凹陷部位,在曲线图横坐标为620左右的位置上,又出现了一个显著的谷底,对应着弊病袖的第二个褶皱凹陷部位。因此,采集线的灰度分布可以明显地看出灰度曲线与弊病褶皱的对应关系。从图3的灰度曲线图中,可以明显看出4个袖弊病图像存在明显的差异,当褶皱较宽时,灰度曲线中波谷之间的距离就较大,当褶皱较深时,波峰波谷的数值差值就大。因此,从灰度曲线图中可获取褶皱宽度、褶皱深度等信息,当出现多个弊病褶皱时,对应的波峰波谷的个数相应增多,因此计算每相邻波峰(波谷)的间距取其平均值作为其中一类弊病的褶皱宽度和褶皱深度。
如图4所示,经过二值化的图像,褶皱方向走势能够清晰地显现出来。在MATLAB图像处理软件中,以图像的左下角端点为坐标原点,图像的下边界线和左边界线分别为x轴和y轴,依据每个褶皱方向,选取二值化图像中褶皱方向线的两点坐标(x1,y1)、(x2,y2),根据斜率公式k=x2-x1y2-y1计算出褶皱斜率作为表征褶皱走势方向的参数,当出现多个弊病褶皱时,计算所有褶皱方向的斜率取其平均值。
为了能够利用图像信息,从灰度曲线图中和二值化图中分别提取了褶皱宽度D、褶皱深度H、褶皱斜率K作为袖弊病的参数[13]。
褶皱宽度D:该参数表明检测区域褶皱大小,包括波峰宽度(相邻的两波峰之间的位置间距)和波谷宽度(相邻两波谷之间的位置间距)。
褶皱深度H:该参数表明褶皱凹凸的高度差值,
即褶皱灰度曲线最大灰度值与最小灰度值的差值。
褶皱斜率K:该参数表明褶皱的走势方向和倾斜程度。
2.2褶皱参数提取
通过对灰度曲线图和二值图的分析,提取了4种弊病类型共52个样本的褶皱宽度、褶皱深度、褶皱斜率的参数,如表2所示。
3BP神经网络模型构建
3.1BP神经网络原理
BP神经网络是一种多层前馈神经网络,如图5所示为BP神经网络的结构图,包括输入层、隐层、和输出层等三层。它可以通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。
BP神经网络这种不断进行反馈减少误差的原则,可对图像提取的特征值进行分类与识别。将提取的袖弊病褶皱特征值作为训练样本,通过褶皱特征与弊病类型之间的映射训练,可以实现袖弊病类型的判别[14]。
3.2构建BP神经网络模型
本文借助于MATLAB平台编写程序实现神经网络的构建,具体训练实现步骤如下:
a)设置参数
借鉴经验公式h=i+j+c(式中:h为隐含层节点数;i为3个神经元的输入层;j为4个神经元的输出层;c为区间1至10的整数)确定训练过程中隐层的节点数为7。隐含层和输出层选用的激活函数分别为tansig函数和purelin函数。输入、输出函数的阈值分别设置为1和2,学习速率设置0.001,训练次数设置为1000次[15]。
b)读取数据
将已提取的特征值作为样本,相对应的弊病类型作为网络期望输出向量,并将已有的数据集按照7∶3的比例进行划分,即36个样本作为训练集,16个样本作为测试集。数据的输入值为提取的弊病褶皱特征值,输出值为弊病的数字类型,选择one-hot编码进行表示,即用0和1进行编码,使输出值表示四种弊病类型,即后袖打绺、袖山直褶、袖子起裂、袖山直褶等弊病的输出类型编号分别为1、2、3、4,编码形式分别为1000、0100、0010、0001。
c)数据归一化
在MATLAB环境下,采用mapminmax函数对训练数据进行归一化处理。
d)建立BP神经网络模型
通过函数newff函数建立网络模型。
e)训练BP神经网络
重复训练,直至网络输出的误差平方和最小,或者达到设置的训练次数为止[16]。
4结果与分析
基于上述步骤,对数据进行仿真试验后,实验结果显示本文所建立的神经网络模型训练迭代次数和时间较少,圖6显示均方误差值在训练集和测试集中都有下降趋势。根据神经网络模型分类的弊病类型与实际类别的回归分析,计算R值。图7中不论是测试集还是训练集,本文模型的总体R值更接近于1,函数的拟合度较好。
从表3的识别结果可以看出来,BP神经网络模型对所提取的袖弊病褶皱特征值分类识别率均在90%以上,其中有两种袖弊病类型的识别率达到了100%,这说明提取的3个特征值可表征不同的弊病类型,可用于袖弊病类型的自动判断。
5结论
采用图像处理技术对服装定制企业的男西装袖着装弊病图像进行处理,通过提取3个弊病褶皱特征参数作为特征值,搭建BP神经网络模型对样本进行训练,实现了4种男西装袖弊病类型的自动判别,准确率较高,在91%~100%之间,为基于图像处理技术提高服装外观质量的检测效率,推动服装定制企业智能检测技术的发展提供了参考。在后续研究中会收集更多识别率偏低的图像样本,通过提取更多褶皱特征值以进一步提高男西装袖弊病类型的识别率。
参考文献:
[1]张媛媛,安凌中,闫琳,等.特体男西装样版补正技术研究[J].毛纺科技,2019,47(8):53-56.
ZHANG Yuanyuan, AN Lingzhong, YAN Lin, et al. Research on correction technology of special body male suit sample edition[J]. Wool Textile Journal, 2019, 47 (8): 53-56.
[2]李红星,陈素英.浅析男西装数字化定制[J].山东纺织科技,2018,59(3):40-43.
LI Hongxing, CHEN Suying. A brief analysis of the digital customization of men's suits[J]. Shandong Textile Science and Technology, 2018, 59(3): 40-43.
[3]张艳红,杨思,徐增波.数字图像处理技术在服装领域的应用[J].毛纺科技,2019,47(10):83-88.
ZHANG Yanhong, YANG Si, XU Zengbo. Application of digital image processing technology in clothing[J]. Wool Textile Journal, 2019 , 47(10): 83-88.
[4]陳伟伟,陈雁.服装褶皱效果的评价[J].纺织学报,2007,28(4):87-90.
CHEN Weiwei, CHEN Yan. Evaluation of garment folding effect[J]. Journal of Textile Research, 2007, 28(4): 87-90.
[5]刘婷.服装肘部穿着平整度客观评价方法研究[D].杭州:浙江理工大学,2016:20-40.
LIU Ting.Research on the Objective Evaluation Method of Clothing Elbow Wearing Flatness[D]. Hangzhou:
Zhejiang Sci-Tech University, 2016:20-40.
[6]张蒙蒙.基于褶皱图像识别的着装合体性研究[D].青岛:青岛大学,2019:11-44.
ZHANG Mengmeng. Study on Dress Fitting Based on Fold Image Recognition[D]. Qingdao: Qingdao University, 2019: 11-44.
[7]张俊,陶辉,林碧珺.基于褶皱灰度图像的服装宽松量的评价方法[J].服装设计师,2020(8):96-101.
ZHANG Jun, TAO Hui, LIN Bijun. Evaluation method of clothing looseness based on wrinkle grayscale image[J]. Fashion China, 2020(8): 96-101.
[8]HESARIAN, MIR S, ESHKEVARI, et al. Angle analysis of fabric wrinkle by projected profile light line method, image processing and neuro-fuzzy system[J]. International Journal of Computer Integrated Manufacturing, 2020, 33(10/12): 1167-1184.
[9]SILVESTRE-BLANES J, BERENGUER-SEBASTI J, PREZ-LLORNS,R, et al. Garment smoothness appearance evaluation through computer vision[J]. Textile Research Journal, 2012, 82(3): 299-309.
[10]庹武,陈谦.基于改进BP神经网络的西服肩袖造型研究[J].纺织学报,2010,31(8):113-116.
TUO Wu, CHEN Qian. Research on the modeling of the rotator cuffs of suits based on improved BP neural network[J]. Journal of Textile Research, 2010, 31(8): 113-116.
[11]陆根芳.男女服装弊病修正大全[M].上海:上海科学普及出版社,1990:10-35.
LU Genfang. Encyclopedia of Correction of Men's and Women's Clothing Shortcomings[M]. Shanghai: Shanghai Science Popularization Publishing House, 1990:10-35.
[12]闫敬文.数字图像处理MATLAB版[M].北京:国防工业出版社.2011:40-88.
YAN Jingwen. Digital Image Processing MATLAB Edition[M]. Beijing: National Defense Industry Press. 2011:40-88.
[13]李蓓蓓.从服装图片中识别面料方法的研究[J].上海第二工业大学学报,2012,29(3):183-186.
LI Beibei. Research on clothes fabric specification from fashion images[J]. Journal of Shanghai Second Polytechnic University, 2012, 29(3): 183-186.
[14]庹武,王哓玉,高雅昆,等.基于改进边缘检测算法的服装款式识别[J].纺织学报,2021,42(10):157-162.
TUO Wu, WANG Xiaoyu, GAO Yakun, et al. Clothing style recognition based on improved edge detection algorithm[J]. Journal of Textile Research, 2021, 42(10): 157-162.
[15]张宁,潘如如,高卫东.采用图像处理的织物缝纫平整度自动评估[J].纺织学报,2017,38(4):145-150.
ZHANG Ning, PAN Ruru, GAO Weidong. Automatic evaluation of fabric sewing flatness using image processing[J]. Journal of Textile Research, 2017, 38(4): 145-150.
[16]王雅静,宋丹.基于BP神经网络的女性服装款式分类技术研究[J].轻工科技,2020,36(4):107-109.
WANG Yajing, SONG Dan. Research on classification technology of women's clothing styles based on BP neural network[J]. Light Industry Science and Technology, 2020, 36(4): 107-109.
Automatic identification of male suit sleeve drawback categories based on pleated feature parameters
TUO Wu1, HAO Xiaoxiao2, GUO Xin1, LIU Yongliang1, CHEN Qian2
(1.School of Fashion Technology, Zhongyuan University of Technology, Zhengzhou 451191, China;
2.College of Art and Design, Zhenzhou University of Industry Technology, Zhenzhou 450064, China)
Abstract: Computer image processing technology is more and more widely used in the field of textiles and garments. The technology can detect and extract the target information required in the image, and the cross-application of textile and garment promotes the development of intelligent detection technology in the production process, such as fabric defect detection and sewing flatness detection, improving the production efficiency. However, the intelligent detection technology of clothing appearance defects has developed slowly, mainly relying on experienced patternmakers to judge the types of defects, which is undoubtedly not conducive to the improvement of production efficiency. Therefore, the application of image processing technology in clothing appearance inspection, avoiding subjective accidents, enhancing the objectivity of judgment results, and reducing the demand for manpower and material resources are urgent problems for clothing enterprises.
In order to realize the automatic identification of clothing appearance defect types, we took the dress images of men's suit sleeves as the research object, and proposed a discrimination method combining image processing technology and BP neural network technology. Firstly, we analyzed the visual influencing factors of sleeve defect dress images, dissected the appearance fold characteristics of some sleeve defect types, and determined the parameters for quantifying sleeve defect folds. Then, with the help of image processing software MATLAB, we extracted the fold parameters of sleeve defect dress image samples, used the image grayscale, grayscale enhancement, image threshold segmentation set image binarization and other technologies to preprocess the dress image of the defect map, and extracted the parameters such as fold width and fold depth based on the grayscale curve chart, and on the basis of the processed binarization diagram, we extracted the slope of the fold direction of the parameters on the fold trend, and extracted the fold parameters of four types of defects in 52 samples. Finally, we wrote the program of BP neural network to identify the drawback model. 70% of the data was used as the training set and 30% was input to the BP neural network training as the test set. The input was the extracted three fold parameters, and the output was an encoded number representing the type of defects. It is verified that the model has high accuracy and stability, can identify the types of sleeve defects, and realize the automatic judgment of sleeve appearance defects.
The relationship between different sleeve defect types and their corresponding appearance folds provides enlightenment for the development of intelligent detection technology for clothing appearance quality, and the types of clothing appearance defects can be automatically determined by using image processing technology to to extract the characteristic parameters of different appearance folds and combining with the neural network model. The research results can provide reference guidance for the development of clothing appearance quality inspection technology.
Keywords: men's suit sleeves; defect type; folds; image processing; BP neural network; MATLAB
收稿日期:20220506
網络出版日期:20220915
基金项目:河南省高等学校重点科研项目(19A540004,23A540007)
作者简介:庹武(1968—),女,河南南阳人,教授,硕士,主要从事服装结构技术方面的研究。