基于機器視覺的機織物耐靜水壓性能檢測

倪嘉陸,王若雯,石文慧,袁志磊,徐平華,1b,1c

(1.浙江理工大學, a.服裝學院; b.浙江省服裝工程技術研究中心; c.絲綢文化與產品設計數字化技術文化和旅游部重點實驗室,杭州 310018; 2.上海海關,上海 200135)

舒適、健康、環保等消費理念加速材料的科技變革,促使傳統的織物性能測評方法不斷優化?？節B水性能是影響織物濕舒適性重要指標之一,在面料研發、生產中,常采用靜水壓法考核紡織品的抗滲水性能?，F行標準如ISO 811：2018《Textiles—Determination of resistance to water penetration—Hydrostatic pressure test》、GB/T 4744—2013《紡織品 防水性能的檢測和評價 靜水壓法》、AATCC 127—2017《Water Resistance： Hydrostatic Pressure Test》等適用于經過防水處理的各種織物、非織造布(如帆布、土工材料、帳篷布)抗滲水性能評估。上述標準規定了測試水壓、試樣準備等要求,但在終止判定方面,仍需測試人員在觀測到第3顆水珠時截停增壓。人工判定的弊端較多,如人機操作的延滯性、不能精確描述水珠出水位置、再現性弱、需要檢測員的值守等。

基于機器視覺的耐靜水壓測試,可理解為在織物這一基底上,動態追蹤透明、近圓的水滴目標。相關標準中規定織物表面出現第3顆有效水珠為壓力截停點,此時壓力值的記錄較為關鍵,是換算織物抗滲水性能等級的重要數值。當前,運動目標檢測常用方法包括光流法[1]、幀間差分法[2]與背景差分法[3-4]等。Liu等[5]詳盡地描述了光流與流體流動之間的關系,并推導出了投影運動方程。但由于光流法計算復雜度高,在視頻目標追蹤中容易導致延遲誤判。幀間差分法計算代價低、效率高,但對光照較為敏感。在檢測緩慢移動目標時,容易出現前景孔洞現象[6]。Ji等[7]提出了改進的幀間差分法,前溯四幀與當前幀進行差分運算,有效地緩解了前景孔洞現象。在實際檢測中,目標特征,如形狀,大小,會隨著時間改變,使得檢測存在一定的困難。Stauffer等[8]提出的高斯混合模型,能夠根據序列幀狀態持續更新背景。但該模型收斂性弱、輪廓檢測的完整性差,且容易受到環境噪聲和光照干擾[9]。其后,研究者在高斯混合模型的基礎上進行改進,如Zivkovic[10]提出了自適應高斯混合模型,Chen等[11]提出的快速初始化模型,Varadarajan等[12]提出了基于區域的高斯混合模型。在紅外圖像檢測上,Poelman等[13]將k-空間分析與紅外檢測結合,運用于機織物復合材料的缺陷檢測,結果表現良好。

相較于上述研究中的人、車等運動目標,織物表面水珠具有目標小、運動緩慢、形狀動態變化且透明等特性。為了論證圖像分析法在織物靜水壓的檢測效果,本文在常規背景差分方法的基礎上,加入背景更新策略機制,結合高斯混合模型,分析該方法的有效性和適用性。

1 實驗方案設計

實驗在對當前靜水壓視頻采集模塊優化的基礎上,利用改進的背景差分法和高斯混合模型,對純色、規則印花和不規則印花等不同表觀的機織物試樣進行測試。

1.1 視頻采集模塊優化

為獲得穩定的觀測過程視頻,首先對靜水壓測試儀視頻采集模塊進行了改進,方案如圖1所示。實驗采用Textest-Fx3000-IV靜水壓測試儀,壓力范圍為0～500 kPa。該儀器與國內CN 104390890 B[14]等類似儀器相比,自帶了視頻采集模塊Textest-Fx3000-IV-AUT,但未開放相機調用接口。為進行對比實驗,在其基礎上采用3D打印方式制作了頂蓋,用于封裝相機和光源。相機采用Razer清姬型號,視頻分辨率設置為1920×1080個像素點,內置可控光源。采集模塊包括了底座、筒身、圓筒頂蓋、相機、光源等配件。

圖1 視頻采集模塊優化Fig.1 Optimization of the video capture module

實驗測試參照GB/T 4744—2013《紡織品 防水性能的檢測和評價 靜水壓法》相關規定進行。試樣面積為100 cm2的圓形,利用自制的視頻采集模塊監測織物測試過程,并存儲相關視頻。

1.2 織物試樣

影響織物滲水時間的因素較多,如材質、密度、厚度、表面處理方式等。本實驗目的是比對不同圖像分析方法的有效性,因此重點考慮織物表觀因素,如顏色、紋理等對水珠識別和追蹤的影響。選取純色、規則印花和不規則印花3類,每塊試樣重復5次實驗,共計75塊,試樣基本參數如表1所述。實驗在恒溫恒濕室進行,溫度(21±1)℃,相對濕度(65±5)%,風速小于0.2 m/s,樣品靜置時間大于24 h。

表1 織物試樣基本參數Tab.1 Parameters of fabric samples

2 靜水壓動態檢測系統

準確獲取水滴出現的時間與位置,是評估織物耐靜水壓性能的關鍵所在。因此,需要重點觀測并實時判斷水珠在織物表面連續滲出的表現。其間,水珠的大小逐步變化、織物在穩定狀態前持續膨脹。本文開發的織物動態水滴自動檢測系統,主要功能是追蹤滲出水珠位置,記錄出水時間和當前壓力值,進而換算出耐靜水壓等級。

2.1 算法流程

系統采用Python進行編程,利用OpenCV視頻讀取庫,開發視頻采集、視頻幀預處理、運動水滴檢測和數據記錄、換算模塊。算法基本流程如圖2所示。

圖2 靜水壓性能測試算法流程Fig.2 Pipeline of hydrostatic pressure testing algorithm

測定過程為4個步驟：首先將織物放置于試樣臺,打開攝像頭并完成對焦,調整光照;其次在靜水壓制動儀器上選好測試標準,啟動測試程序;進行監測,直至織物表面滲出3滴水后,停止實驗。在這一過程中,系統自動提取視頻中滿足條件數量的視頻幀后自動停止測試;最終記錄此刻靜水壓數據,并按照標準換算成織物靜水壓等級輸出。

2.2 預處理

在靜水壓檢測過程中,試樣在圓環夾持部分可能出現一定數量非觀測所需的微小水珠。為了排除這一干擾,在采集檢測過程中首先對視頻設置一個圓形掩膜。原始狀態如圖3(a)所示,掩膜效果如 圖3(b)所示,降噪處理效果如圖3(c)所示。

圖3 視頻幀預處理Fig.3 Preprocessing of video frames

在圖像采集過程中不可避免地混入噪聲。水滴邊緣作為關鍵的特征信息,去噪過程需要更好地保留其邊緣,使邊緣區域更加平滑[15]。傳統線性濾波方法在去噪的同時容易丟失圖像的邊緣細節,在處理該類問題時存在一定的局限性;雙邊濾波[16]是一種非線性濾波,對邊緣有良好的保持性。此處采用雙邊濾波,其計算公式為式(1)：

(1)

式中：IB(p)為雙邊濾波器,N(p)是像素點p的鄰域,Ip、Iq為像素值,Wp為歸一化因子,計算公式為式(2)：

(2)

2.3 運動水滴檢測

2.3.1 高斯混合背景建模

高斯混合模型背景建?；趲瑘D像像素點的顏色值,每個幀圖像中的像素點被視為一個系統隨機過程[8],其參數被建模為高斯分布的混合模型進行估計和更新,以實現背景的建模。

{X1,…,Xt}={I(x0,y0,i)： 1≤i≤t}

(3)

式中：I(x0,y0,i)為像素點(x0,y0)在i時刻的顏色值。

(4)

式中：P(Xt)為t時刻觀察到像素值X的概率,ωi,t為t時刻第i個高斯分量的權重,η(Xt,μi,t,∑i,t)為高斯概率密度函數,μi,t為均值,∑i,t為協方差。其中K的取值增大時,所需內存隨之增大,計算速度變慢,相關文獻取值范圍在3～5[8]。為了加快計算速度,此處K取值為3。當把視頻中每幀彩色圖像轉化為灰度化進行處理時,式(4)可以轉化為：

(5)

式中：σi,t表示第i個高斯模型的均方差,η為高斯模型,其表示為：

(6)

高斯混合背景建模在檢測過程中,背景會基于歷史幀實時進行更新,降低紋樣膨脹的干擾。實驗中,水珠滲出緩慢,位置變化小。若背景更新不及時,會將一部分水珠錯誤地歸為背景,分割后導致水珠輪廓檢測不完整。而背景差分法對于水珠輪廓的檢測較為完整,兩者結合,可以獲得更加完整的水珠輪廓。

2.3.2 改進的背景差分法

假定織物紋樣在測試過程中保持不變,則利用常規的背景差分算法便能夠相對準確地檢測出區域內滲水關鍵幀。然而,在實際檢測中發現,水壓的上升會使得織物表面膨脹,導致檢測區域內背景變化明顯,增加了關鍵幀檢測的難度。在測試初始階段,織物膨脹較為顯著,像素變化較大,將差分像素面積作為更新條件可以起到一定作用,但后續膨脹較為緩慢,以此為條件更新背景并不充分。

為了解決上述問題,本文采用了一種改進背景差分算法,其背景幀更新在像素總面積變化的基礎上,增加了輪廓形狀的判定,將紋樣膨脹干擾顯著的圖像幀更新為背景幀,實現背景的動態更新,流程如圖4所示,實現過程如下。

圖4 背景幀更新優化Fig.4 Background frame update scheme

a)初始化背景幀。啟動測試時,視頻輸入的第一幀為初始背景幀。

b)背景幀更新。在測試過程中,織物表面滲出的水珠近似圓形,而紋理的變化干擾是無規律的。本文在連通區域面積大于T1更新背景幀的基礎條件上,通過遍歷差分圖像輪廓,進行二次分析,檢測出連續3幀以上圖像中擁有寬高比大于閾值a,即非近似圓的輪廓時,則視為滿足背景更新條件。這種方法可以減弱紋樣膨脹帶來的干擾影響,以滿足織物耐靜水壓檢測的需求。

c)背景幀實時差分。后續輸入的圖像幀,對新背景幀進行差分,差分圖像以同樣條件檢測是否需要更新背景。

2.3.3 目標歸并融合

首先分別利用高斯混合模型和改進背景差分算法,獲取所需二值圖像。其次,對各二值圖像進行開運算操作,去除多余噪點,使水滴輪廓更加清晰平滑。最后,采用按位“與”操作將兩幅二值圖像融合,再次膨脹操作填充目標圖像中的小孔,獲得目標水滴,處理過程和結果如圖5所示。

圖5 目標歸并融合

獲取最終目標水滴后,在視頻幀中標記水珠。當幀圖像中標記出3顆水珠,初步判定為關鍵幀;若連續3幀仍維持3顆水珠,自動停止測試。以試樣A-4為例,圖6顯示了部分關鍵幀水珠追蹤效果,分別在第2240、2370、2408幀時滲出水珠,穩定連續3幀后,系統在第2410幀時停止。

圖6 水珠動態追蹤過程中的關鍵幀

2.3.4 數據記錄換算

實驗中,參照GB/T 4744—2013《紡織品 防水性能的檢測和評價 靜水壓法》中靜水壓等級表述,其中表2的防水性能測試是在水壓上升速率為6.0 kPa/min的條件下得出,即0.1 kPa/s。在自動截停后,儀器會記錄此時畫面幀數,此時可根據幀率,計算出運行時間。通過式(7)可計算出織物的耐靜水壓值。

(7)

表2 抗靜水壓等級和防水性能評價Tab.2 Hydrostatic pressure resistance rating and waterproof performance evaluation

式中：Pk為耐靜水壓值,F為當前幀數,f為畫面每秒傳輸幀數,c為關系常量,取0.1 kPa/s。對照表2,進一步換算出Pk所對應的耐靜水壓等級。

2.4 系統操作界面

為方便檢測,本文開發了靜水壓動態檢測系統,程序界面如圖7所示。系統主要包括實時監測窗口、參數設置和輸出窗口,其中輸出窗口實時顯示水壓、時間,并分別記錄每個水滴出現時的靜水壓值和顯示位置。

圖7 織物靜水壓檢測系統界面Fig.7 Interface of the fabric hydrostatic pressure inspection system

程序操作步驟如下：a)實時采集或導入歷史視頻,并輸入織物編號;b)核實并調節當前觀測視野下光照強度和掩膜覆蓋區域;c)運行直至輸出檢測結果,自動存儲視頻和關鍵幀圖像。

3 結果分析與討論

3.1 不同外觀織物水珠動態追蹤效果比較

為了評估本算法的有效性,此處與設備內置程序、常規背景差分法、高斯混合模型背景差分法進行了比對。

圖8是采用FX-3000-VI-AUT對3種不同外觀類型的機織物的檢測效果圖。圖8(a)為純色織物(編號：A-4),圖8(b)是規則條格織物(編號：B-1),圖8(c)不規則印花織物(編號：C-1)。從圖8中可以看出,該儀器對于純色織物效果相對較好,對于花紋面料會出現水滴誤檢的情況;對于遇水變色的織物如圖8(b),會將變色邊界檢測為水滴;如圖8(c)復雜印花織物的水滴檢測雖然也可以檢測出部分正確水滴,但是檢測時抑制太強,導致檢測時間滯后,數據偏差較大。

圖8 FX-3000-VI-AUT檢測效果Fig.8 FX-3000-VI-AUT testing effect

進一步地,在視圖二值化狀態下與常規背景差分法、高斯混合模型背景差分法進行比對。上述3類試樣測試效果如圖9所示。圖9(a)是常規背景差分法二值圖,圖9(b)是高斯混合模型背景差分法二值圖、圖9(c)是本文提出算法的二值圖,圖9(d)為檢測終止狀態下原圖效果。

圖9 不同算法檢測效果比較Fig.9 Comparision of the detection performance of different algorithms

從圖9中可以看出,常規背景差分法在檢測純色織物時,水珠較為細小,檢測規則條紋織物時會出現條紋干擾;而在檢測復雜印花織物時,出現大量紋樣噪聲,無法有效檢測出水滴。高斯混合模型背景差分法,在檢測各類織物時,只能檢測出水珠的部分輪廓,不能完整定位出水珠輪廓。采用本文算法進行檢測,純色織物與規則條格織物檢測效果較前兩者方法效果好,但是對于較為復雜的不規則印花織物,表面水滴存在誤檢現象,誤檢水滴在圖9(k)和圖9(l)中用紅框標出。

3.2 主客觀一致性分析

為了對15種實驗樣本進行統計和分析,進一步地,與人工觀測結果進行比較。采用上述方法依次進行靜水壓測定,圖像提取幀率為30幀/s,檢測到有效的第3滴水時時停止檢測,最終記錄靜水壓值。人工測算方法通過回溯視頻的方式實現,記錄該時刻下靜水壓值,每種織物依照標準測試5塊,取其平均值。

兩種方法測得織物靜水壓值如表3所示?；诒疚乃惴ㄩ_發的系統,自動計算結果與人工測定結果誤差對比,純色織物誤差在0.37%～1.55%,寬條紋織物誤差為2.77%,細密條紋織物誤差達到9.27%,不規則印花織物誤差在13.76%以上。從結果可以看出,本系統對純色織物和寬條紋織物具有一定的適用性,但對于細密條紋或不規則印花織物,此類算法表現不佳。復雜、細密印花織物的一些細小花紋結構,在后續的膨脹變化中與水滴滲出相似,導致算法將其誤檢成水滴,使得測試提前結束,誤差較大。

表3 織物靜水壓測試結果對比Tab.3 Comparison of fabric hydrostatic pressure test results

4 結 論

本文通過優化視頻采集裝置,實時觀測織物靜水壓檢測過程,并通過掩膜獲取目標區域,雙邊濾波去噪后,利用優化更新背景策略的背景差分法,結合高斯混合模型,實現織物出水位置和幀位的實時記錄,進而換算出織物耐靜水壓值。選取15種不同類型織物,共計75塊試樣進行驗證實驗。結果表明,本文提出的方法較常規圖像檢測法效果更優;與傳統人工測定方法相比,對于純色以及寬條紋織物檢測一致率較高,但是對于復雜、細密印花織物的檢測準確率有待提升。

視頻采集裝置提供的封閉環境一定程度上減少了環境因素對測定的干擾,使用便捷且可拆卸;基于圖像分析法有助于提升檢測效率,但在水滴追蹤和判定方面有待提升,以擴展織物檢測的適用面。