基于机器视觉的织物色差检测方法研究进展

随着纺织品需求量的增加以及人们对购买衣物的色差要求越来越高,织物色差检测的需求也越来越高。为了解决目前传统色差检测方法速度慢、准确性差等问题,综述了使用基于机器视觉的织物色差检测方法。该方法相比于传统方法能够快速、准确的计算出被测织物与标准织物之间的色差。从色差产生的原因和两种传统色差检测方法出发,分析了传统色差检测方法的不足,总结了基于机器视觉色差检测的一般步骤,并具体评述了图像预处理、颜色空间转换、色差计算与色差评价等4个方面的技术,最后对全文进行总结并对当前研究面临的问题进行概述,清晰地呈现出该领域的发展脉络。

基于光谱分析的织物色差检测

为有效检测出织物色差,将主成分分析(PCA)与极限学习机(ELM)相结合的方法应用于织物色差检测。首先,利用光纤光谱仪采集净色织物的光谱反射率数据及其对应的颜色特征值L*、a*、b*,建立PCA-ELM预测模型,获取光谱反射率相关数据与L*、a*、b*值之间的映射关系,避免冗长的公式计算。然后,利用CMC(2∶1)色差公式计算标准样本和测试样本之间的色差,并与光纤光谱仪测量值进行对比。实验结果表明,利用PCA-ELM模型获取的L*、a*、b*值与光谱仪测量值各分量的平均误差为0.116 1、0.174 3、0.204 8。在色差检测实验中,利用CMC(2∶1)色差公式得到的织物色差与光谱仪测量值最大误差为0.66 NBS,平均误差为0.087 5 NBS。

数码相机在染色织物色差测量中的应用

针对目前颜色及色差测量设备单一、价格昂贵等问题,对应用数码相机进行织物色差预测的可行性进行研究。首先通过自制图像采集系统对样本图像进行采集;然后从RAW格式图像中提取原始的RGB响应信息;最后建立原始RGB响应信息和CIE L*a*b*值之间的非线性回归模型实现样本颜色的测量,并对织物色差进行预测。480张色卡样本的实验结果表明:所构建的非线性回归模型参数数量并非越多越好,其有效度依赖于所选择的特定参数。回归模型应用于纺织品CNCS色卡和染色样布的色差测量结果表明:所得平均色差差值分别为1.16和1.34,接近于Digi Eye测色结果,且能与其保持良好的一致性,说明此方法在织物色差预测与评价中有较好的可行性和实用价值。

基于Halcon多层感知机的织物色差检测研究

探讨基于Halcon中多层感知机织物色差检测研究。首先将数据库中部分样本特征数据输入神经网络,然后采用均方误差最小化训练优化神经网络,构建样本特征与色差类别的多层感知机映射函数;最后将面积更大、上色情况更复杂的织物输入多层感知机,通过形态学算法分割出织物中不同类别的色差区域,并统计三种颜色织物的色差检测平均准确率,最低可达到89.7%。认为:织物图像中的不同色差区域均能准确判别并分割出来,能满足工业色差检测的准确率与灵敏度要求。

织布色差与配棉及生产过程的控制

介绍了造成棉织物色差的原因,分析和探讨了纺纱过程中配棉、混棉、半成品、纱线成品等各工序的色差控制措施,以减少后工序织布造成的织物色差。

羊毛衫的选购与洗涤

一件质量好的羊毛衫,有3个基本要求:即织物的条干均匀而无断头,色泽和谐而无色差,花纹对称而无漏针。当您进入商店选购时,可用手指将织物轻轻拉开,如露出的针脚之间隙均匀,手感轻盈柔软并具有一定弹性,质量就较好。有些羊毛衫由于采用低等羊毛编织加工,在外观上较粗糙,纤维僵毛较多,手感较僵硬,光泽灰暗。至于有些织物上的色泽差,主要是由于绒线染色不均匀,或因机器编织线沾染油污所致。织物色差一般不影响穿着,有污染的可用中性皂粉轻轻洗一二次即可;