基于机器视觉的机织物耐静水压性能检测

倪嘉陆,王若雯,石文慧,袁志磊,徐平华,1b,1c

(1.浙江理工大学, a.服装学院; b.浙江省服装工程技术研究中心; c.丝绸文化与产品设计数字化技术文化和旅游部重点实验室,杭州 310018; 2.上海海关,上海 200135)

舒适、健康、环保等消费理念加速材料的科技变革,促使传统的织物性能测评方法不断优化。抗渗水性能是影响织物湿舒适性重要指标之一,在面料研发、生产中,常采用静水压法考核纺织品的抗渗水性能。现行标准如ISO 811：2018《Textiles—Determination of resistance to water penetration—Hydrostatic pressure test》、GB/T 4744—2013《纺织品 防水性能的检测和评价 静水压法》、AATCC 127—2017《Water Resistance： Hydrostatic Pressure Test》等适用于经过防水处理的各种织物、非织造布(如帆布、土工材料、帐篷布)抗渗水性能评估。上述标准规定了测试水压、试样准备等要求,但在终止判定方面,仍需测试人员在观测到第3颗水珠时截停增压。人工判定的弊端较多,如人机操作的延滞性、不能精确描述水珠出水位置、再现性弱、需要检测员的值守等。

基于机器视觉的耐静水压测试,可理解为在织物这一基底上,动态追踪透明、近圆的水滴目标。相关标准中规定织物表面出现第3颗有效水珠为压力截停点,此时压力值的记录较为关键,是换算织物抗渗水性能等级的重要数值。当前,运动目标检测常用方法包括光流法[1]、帧间差分法[2]与背景差分法[3-4]等。Liu等[5]详尽地描述了光流与流体流动之间的关系,并推导出了投影运动方程。但由于光流法计算复杂度高,在视频目标追踪中容易导致延迟误判。帧间差分法计算代价低、效率高,但对光照较为敏感。在检测缓慢移动目标时,容易出现前景孔洞现象[6]。Ji等[7]提出了改进的帧间差分法,前溯四帧与当前帧进行差分运算,有效地缓解了前景孔洞现象。在实际检测中,目标特征,如形状,大小,会随着时间改变,使得检测存在一定的困难。Stauffer等[8]提出的高斯混合模型,能够根据序列帧状态持续更新背景。但该模型收敛性弱、轮廓检测的完整性差,且容易受到环境噪声和光照干扰[9]。其后,研究者在高斯混合模型的基础上进行改进,如Zivkovic[10]提出了自适应高斯混合模型,Chen等[11]提出的快速初始化模型,Varadarajan等[12]提出了基于区域的高斯混合模型。在红外图像检测上,Poelman等[13]将k-空间分析与红外检测结合,运用于机织物复合材料的缺陷检测,结果表现良好。

相较于上述研究中的人、车等运动目标,织物表面水珠具有目标小、运动缓慢、形状动态变化且透明等特性。为了论证图像分析法在织物静水压的检测效果,本文在常规背景差分方法的基础上,加入背景更新策略机制,结合高斯混合模型,分析该方法的有效性和适用性。

1 实验方案设计

实验在对当前静水压视频采集模块优化的基础上,利用改进的背景差分法和高斯混合模型,对纯色、规则印花和不规则印花等不同表观的机织物试样进行测试。

1.1 视频采集模块优化

为获得稳定的观测过程视频,首先对静水压测试仪视频采集模块进行了改进,方案如图1所示。实验采用Textest-Fx3000-IV静水压测试仪,压力范围为0～500 kPa。该仪器与国内CN 104390890 B[14]等类似仪器相比,自带了视频采集模块Textest-Fx3000-IV-AUT,但未开放相机调用接口。为进行对比实验,在其基础上采用3D打印方式制作了顶盖,用于封装相机和光源。相机采用Razer清姬型号,视频分辨率设置为1920×1080个像素点,内置可控光源。采集模块包括了底座、筒身、圆筒顶盖、相机、光源等配件。

图1 视频采集模块优化Fig.1 Optimization of the video capture module

实验测试参照GB/T 4744—2013《纺织品 防水性能的检测和评价 静水压法》相关规定进行。试样面积为100 cm2的圆形,利用自制的视频采集模块监测织物测试过程,并存储相关视频。

1.2 织物试样

影响织物渗水时间的因素较多,如材质、密度、厚度、表面处理方式等。本实验目的是比对不同图像分析方法的有效性,因此重点考虑织物表观因素,如颜色、纹理等对水珠识别和追踪的影响。选取纯色、规则印花和不规则印花3类,每块试样重复5次实验,共计75块,试样基本参数如表1所述。实验在恒温恒湿室进行,温度(21±1)℃,相对湿度(65±5)%,风速小于0.2 m/s,样品静置时间大于24 h。

表1 织物试样基本参数Tab.1 Parameters of fabric samples

2 静水压动态检测系统

准确获取水滴出现的时间与位置,是评估织物耐静水压性能的关键所在。因此,需要重点观测并实时判断水珠在织物表面连续渗出的表现。其间,水珠的大小逐步变化、织物在稳定状态前持续膨胀。本文开发的织物动态水滴自动检测系统,主要功能是追踪渗出水珠位置,记录出水时间和当前压力值,进而换算出耐静水压等级。

2.1 算法流程

系统采用Python进行编程,利用OpenCV视频读取库,开发视频采集、视频帧预处理、运动水滴检测和数据记录、换算模块。算法基本流程如图2所示。

图2 静水压性能测试算法流程Fig.2 Pipeline of hydrostatic pressure testing algorithm

测定过程为4个步骤：首先将织物放置于试样台,打开摄像头并完成对焦,调整光照;其次在静水压制动仪器上选好测试标准,启动测试程序;进行监测,直至织物表面渗出3滴水后,停止实验。在这一过程中,系统自动提取视频中满足条件数量的视频帧后自动停止测试;最终记录此刻静水压数据,并按照标准换算成织物静水压等级输出。

2.2 预处理

在静水压检测过程中,试样在圆环夹持部分可能出现一定数量非观测所需的微小水珠。为了排除这一干扰,在采集检测过程中首先对视频设置一个圆形掩膜。原始状态如图3(a)所示,掩膜效果如 图3(b)所示,降噪处理效果如图3(c)所示。

图3 视频帧预处理Fig.3 Preprocessing of video frames

在图像采集过程中不可避免地混入噪声。水滴边缘作为关键的特征信息,去噪过程需要更好地保留其边缘,使边缘区域更加平滑[15]。传统线性滤波方法在去噪的同时容易丢失图像的边缘细节,在处理该类问题时存在一定的局限性;双边滤波[16]是一种非线性滤波,对边缘有良好的保持性。此处采用双边滤波,其计算公式为式(1)：

(1)

式中：IB(p)为双边滤波器,N(p)是像素点p的邻域,Ip、Iq为像素值,Wp为归一化因子,计算公式为式(2)：

(2)

2.3 运动水滴检测

2.3.1 高斯混合背景建模

高斯混合模型背景建模基于帧图像像素点的颜色值,每个帧图像中的像素点被视为一个系统随机过程[8],其参数被建模为高斯分布的混合模型进行估计和更新,以实现背景的建模。

{X1,…,Xt}={I(x0,y0,i)： 1≤i≤t}

(3)

式中：I(x0,y0,i)为像素点(x0,y0)在i时刻的颜色值。

(4)

式中：P(Xt)为t时刻观察到像素值X的概率,ωi,t为t时刻第i个高斯分量的权重,η(Xt,μi,t,∑i,t)为高斯概率密度函数,μi,t为均值,∑i,t为协方差。其中K的取值增大时,所需内存随之增大,计算速度变慢,相关文献取值范围在3～5[8]。为了加快计算速度,此处K取值为3。当把视频中每帧彩色图像转化为灰度化进行处理时,式(4)可以转化为：

(5)

式中：σi,t表示第i个高斯模型的均方差,η为高斯模型,其表示为：

(6)

高斯混合背景建模在检测过程中,背景会基于历史帧实时进行更新,降低纹样膨胀的干扰。实验中,水珠渗出缓慢,位置变化小。若背景更新不及时,会将一部分水珠错误地归为背景,分割后导致水珠轮廓检测不完整。而背景差分法对于水珠轮廓的检测较为完整,两者结合,可以获得更加完整的水珠轮廓。

2.3.2 改进的背景差分法

假定织物纹样在测试过程中保持不变,则利用常规的背景差分算法便能够相对准确地检测出区域内渗水关键帧。然而,在实际检测中发现,水压的上升会使得织物表面膨胀,导致检测区域内背景变化明显,增加了关键帧检测的难度。在测试初始阶段,织物膨胀较为显著,像素变化较大,将差分像素面积作为更新条件可以起到一定作用,但后续膨胀较为缓慢,以此为条件更新背景并不充分。

为了解决上述问题,本文采用了一种改进背景差分算法,其背景帧更新在像素总面积变化的基础上,增加了轮廓形状的判定,将纹样膨胀干扰显著的图像帧更新为背景帧,实现背景的动态更新,流程如图4所示,实现过程如下。

图4 背景帧更新优化Fig.4 Background frame update scheme

a)初始化背景帧。启动测试时,视频输入的第一帧为初始背景帧。

b)背景帧更新。在测试过程中,织物表面渗出的水珠近似圆形,而纹理的变化干扰是无规律的。本文在连通区域面积大于T1更新背景帧的基础条件上,通过遍历差分图像轮廓,进行二次分析,检测出连续3帧以上图像中拥有宽高比大于阈值a,即非近似圆的轮廓时,则视为满足背景更新条件。这种方法可以减弱纹样膨胀带来的干扰影响,以满足织物耐静水压检测的需求。

c)背景帧实时差分。后续输入的图像帧,对新背景帧进行差分,差分图像以同样条件检测是否需要更新背景。

2.3.3 目标归并融合

首先分别利用高斯混合模型和改进背景差分算法,获取所需二值图像。其次,对各二值图像进行开运算操作,去除多余噪点,使水滴轮廓更加清晰平滑。最后,采用按位“与”操作将两幅二值图像融合,再次膨胀操作填充目标图像中的小孔,获得目标水滴,处理过程和结果如图5所示。

图5 目标归并融合

获取最终目标水滴后,在视频帧中标记水珠。当帧图像中标记出3颗水珠,初步判定为关键帧;若连续3帧仍维持3颗水珠,自动停止测试。以试样A-4为例,图6显示了部分关键帧水珠追踪效果,分别在第2240、2370、2408帧时渗出水珠,稳定连续3帧后,系统在第2410帧时停止。

图6 水珠动态追踪过程中的关键帧

2.3.4 数据记录换算

实验中,参照GB/T 4744—2013《纺织品 防水性能的检测和评价 静水压法》中静水压等级表述,其中表2的防水性能测试是在水压上升速率为6.0 kPa/min的条件下得出,即0.1 kPa/s。在自动截停后,仪器会记录此时画面帧数,此时可根据帧率,计算出运行时间。通过式(7)可计算出织物的耐静水压值。

(7)

表2 抗静水压等级和防水性能评价Tab.2 Hydrostatic pressure resistance rating and waterproof performance evaluation

式中：Pk为耐静水压值,F为当前帧数,f为画面每秒传输帧数,c为关系常量,取0.1 kPa/s。对照表2,进一步换算出Pk所对应的耐静水压等级。

2.4 系统操作界面

为方便检测,本文开发了静水压动态检测系统,程序界面如图7所示。系统主要包括实时监测窗口、参数设置和输出窗口,其中输出窗口实时显示水压、时间,并分别记录每个水滴出现时的静水压值和显示位置。

图7 织物静水压检测系统界面Fig.7 Interface of the fabric hydrostatic pressure inspection system

程序操作步骤如下：a)实时采集或导入历史视频,并输入织物编号;b)核实并调节当前观测视野下光照强度和掩膜覆盖区域;c)运行直至输出检测结果,自动存储视频和关键帧图像。

3 结果分析与讨论

3.1 不同外观织物水珠动态追踪效果比较

为了评估本算法的有效性,此处与设备内置程序、常规背景差分法、高斯混合模型背景差分法进行了比对。

图8是采用FX-3000-VI-AUT对3种不同外观类型的机织物的检测效果图。图8(a)为纯色织物(编号：A-4),图8(b)是规则条格织物(编号：B-1),图8(c)不规则印花织物(编号：C-1)。从图8中可以看出,该仪器对于纯色织物效果相对较好,对于花纹面料会出现水滴误检的情况;对于遇水变色的织物如图8(b),会将变色边界检测为水滴;如图8(c)复杂印花织物的水滴检测虽然也可以检测出部分正确水滴,但是检测时抑制太强,导致检测时间滞后,数据偏差较大。

图8 FX-3000-VI-AUT检测效果Fig.8 FX-3000-VI-AUT testing effect

进一步地,在视图二值化状态下与常规背景差分法、高斯混合模型背景差分法进行比对。上述3类试样测试效果如图9所示。图9(a)是常规背景差分法二值图,图9(b)是高斯混合模型背景差分法二值图、图9(c)是本文提出算法的二值图,图9(d)为检测终止状态下原图效果。

图9 不同算法检测效果比较Fig.9 Comparision of the detection performance of different algorithms

从图9中可以看出,常规背景差分法在检测纯色织物时,水珠较为细小,检测规则条纹织物时会出现条纹干扰;而在检测复杂印花织物时,出现大量纹样噪声,无法有效检测出水滴。高斯混合模型背景差分法,在检测各类织物时,只能检测出水珠的部分轮廓,不能完整定位出水珠轮廓。采用本文算法进行检测,纯色织物与规则条格织物检测效果较前两者方法效果好,但是对于较为复杂的不规则印花织物,表面水滴存在误检现象,误检水滴在图9(k)和图9(l)中用红框标出。

3.2 主客观一致性分析

为了对15种实验样本进行统计和分析,进一步地,与人工观测结果进行比较。采用上述方法依次进行静水压测定,图像提取帧率为30帧/s,检测到有效的第3滴水时时停止检测,最终记录静水压值。人工测算方法通过回溯视频的方式实现,记录该时刻下静水压值,每种织物依照标准测试5块,取其平均值。

两种方法测得织物静水压值如表3所示。基于本文算法开发的系统,自动计算结果与人工测定结果误差对比,纯色织物误差在0.37%～1.55%,宽条纹织物误差为2.77%,细密条纹织物误差达到9.27%,不规则印花织物误差在13.76%以上。从结果可以看出,本系统对纯色织物和宽条纹织物具有一定的适用性,但对于细密条纹或不规则印花织物,此类算法表现不佳。复杂、细密印花织物的一些细小花纹结构,在后续的膨胀变化中与水滴渗出相似,导致算法将其误检成水滴,使得测试提前结束,误差较大。

表3 织物静水压测试结果对比Tab.3 Comparison of fabric hydrostatic pressure test results

4 结 论

本文通过优化视频采集装置,实时观测织物静水压检测过程,并通过掩膜获取目标区域,双边滤波去噪后,利用优化更新背景策略的背景差分法,结合高斯混合模型,实现织物出水位置和帧位的实时记录,进而换算出织物耐静水压值。选取15种不同类型织物,共计75块试样进行验证实验。结果表明,本文提出的方法较常规图像检测法效果更优;与传统人工测定方法相比,对于纯色以及宽条纹织物检测一致率较高,但是对于复杂、细密印花织物的检测准确率有待提升。

视频采集装置提供的封闭环境一定程度上减少了环境因素对测定的干扰,使用便捷且可拆卸;基于图像分析法有助于提升检测效率,但在水滴追踪和判定方面有待提升,以扩展织物检测的适用面。