(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211123495.8 (22)申请日 2022.09.15 (71)申请人 天津工业大学 地址 300387 天津市西青区 宾水西道39 9号 (72)发明人 李娜娜　郭丹　张效栋　 (74)专利代理 机构 天津才智专利商标代理有限 公司 12108 专利代理师 王梦 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/25(2022.01) (54)发明名称 一种纺织 面料数字化分析方法 (57)摘要 本发明公开了一种纺织面料数字化分析方 法， 步骤包括： 采集纺织面料正、 反面高清图像， 并进行灰度化处理； 基于灰度图像提取得到面料 纹理的ROI初始 选区； 获得 ROI初始选区额复制体 并通过模板匹配法确定复制体相对于初始ROI区 域的偏移量， 进而得到ROI修正选区作为纺织面 料数字化分析基础单元； 利用训练好的深度学习 纱线结构图像识别模型识别纱线结构得到标记 图像并确定纺织面料类型； 将标记图像上的纱线 结构映射至与织物类型对应的上机编织图模板 上， 得到织物的上机编织示意图； 该方法操作难 度低， 通过引入传统图像处理和深度学习神经网 络等实现对不同类型的织物编织工艺进行分析， 并能够直接获得上机编织示意图， 提高面料分析 环节的准确度和工作效率。 权利要求书2页 说明书6页 附图9页 CN 115496717 A 2022.12.20 CN 115496717 A 1.一种纺织 面料数字化分析 方法， 其特 征在于， 步骤如下： S1、 采集纺织面料呈平面展开状态下的纺织面料正面高清图像和纺织面料反面高清图 像； 其中， 高清图像中应至少包含三个完整的花型循环单元， 且高清图像中织物的分辨力至 少为0.1m m； S2、 对步骤S1采集的高清图像进行灰度化处理得到灰度图像， 并基于传统的图像处理 算法提取 得到图像中面料纹 理的ROI初始选区； S3、 获得灰度图像中的ROI初始选区得到 复制体， 并将复制体叠放至经过步骤S2获得的 灰度图像上， 通过模板匹配法对复制体进行平移、 缩放、 或旋转的操作， 以确定复制体相对 于初始ROI区域的偏移量； S4、 根据由步骤S3获得的长度方向的偏移量和宽度方向的偏移量， 对 由步骤S2得到的 图像中的ROI初始选区进行修正， 得到ROI修正选区； 从图像中裁剪出ROI修正选区作为纺织 面料数字化分析基础单 元； S5、 将纺织面料数字化分析基础单元输入已训练的深度学习纱线结构图像识别模型 中， 以对纺织 面料的纱线结构进行图像识别， 并获得 纺织面料类型； S6、 基于步骤S5得到的纺织面料类型， 调取该织物类型对应的上机编织图模板； 将上机 编织图模板与经过步骤S 5得到的标记图像缩放至相同尺寸， 进而将标记图像中识别出的纱 线结构结一 一对应地映射至上机编织图模板上， 即得到织物的上机编织 示意图。 2.根据权利要求1所述的纺织面料数字化分析方法， 其特征在于， 在步骤S1中， 高清图 像通过图像采集系统采集得到； 图像采集系统包括两台配备高清工业镜头的相机(1)、 一台 用于加持织物的织物夹持架(2)、 光源(3)和相机支 架(5)； 其中， 织物夹持架(2)由自下而上依次设置的水平移动机构、 升降移动机构和织物夹持框构 成； 水平移动机构底部固定在地面上， 升降移动机构固定在水平移动机构的滑 块上， 织物夹 持框竖直固定在升降移动机构顶部， 使织物夹持框通过水平移动机构沿织物夹持框长度方 向往复移动、 通过升降移动机构沿织物夹持框高度方向往复移动； 两台配备高清工业镜头 的相机(1)通过固定在地面上的相机支架(5)对称设置在织物夹持架(2)的两侧， 且每台相 机(1)的镜头水平朝向纺织面料(4)的方式设置， 以实现两台相机采集的高清图像 分别为纺 织面料相同区域的正面图像和反面图像； 两台光源(3)分别对称设置在织物夹持架(2)的两 侧， 且每台光源朝向织物夹持架(2)上的纺织 面料并以斜向 向下45°的方式设置 。 3.根据权利要求2所述的纺织面料数字化分析方法， 其特征在于， 织物夹持框(2)为一 个矩形框， 其对开为两部 分， 使纺织面料(4)能够夹 设在矩形框对开的两部 分之间并通过夹 具将三者固定为 一体， 使纺织 面料(4)以平面展开并自由下垂的状态实现图像采集。 4.根据权利要求1所述的纺织面料数字化分析方法， 其特征在于， 在步骤S3中， 确定复 制体相对于初始ROI区域的偏移量的具体步骤为： S301、 复制由步骤S2得到具有ROI初始选区标注框图像中的ROI初始选区部分， 得到ROI 选区复制体； S302、 将复制体叠放在由步骤S2得到图像的ROI初始选区标注框上， 通过将复制体沿初 始ROI选区方向的长度方向向左平移或向右平移， 在灰度图像中找到相邻位置处能够与复 制体的纹理对应并重合的位置， 此时， 复制体在初始ROI选区方向长度方向的偏移 量就是基 础单元的最优长度；权　利　要　求　书 1/2 页 2 CN 115496717 A 2S303、 将复制体沿初始ROI选区方向的宽度方向向上平移或向下平移， 在 灰度图像中找 到相邻位置处 能够与复制体的纹理对应并重合的位置， 此时， 复制体在初始ROI选区方向宽 度方向的偏移量 就是基础单 元的最优宽度。 5.根据权利要求1所述的纺织面料数字化分析方法， 其特征在于， 步骤S5的具体实施步 骤如下： S501、 构建深度学习纱线结构图像识别模型并训练； 其中， (1)深度学习纱线结构图像识别模型基于深度 学习网络并通过大量不同类型纱线结构 样本训练而成的模型； 深度学习网络选用Faster  R‑CNN网络、 LeNet网络、 AlexNet网络、 ZFNet网络、 VG GNet网络、 Go ogLeNet网络、 ResNet、 或YOLOV5网络； (2)深度学习纱线结构图像识别模型的训练方法为： 构建纱线结构训练样本： 分别获取左开口线圈、 右开口线圈， 左闭口线圈、 右闭口线圈、 完整线圈、 集圈线圈、 左移圈线圈、 右移圈线圈、 不编织线圈、 经纱交点和纬纱交点的二 维纱 线结构图像作为输入图像； 分别 在每张二维纱线 结构图像外侧绘制矩形框并在矩形框上显 示有纱线 结构名称， 形成标记图像作为输出结果图像； 其中， 每类二 维纱线结构图像不少于 2000张， 进而得到包 含有不少于20 0000张标记图像的纱线结构训练样本； 模型训练： 以二维纱线结构图像为输入信息， 以在纱线结构图像外侧设置矩形框并在 矩形框上显示纱线结构名称的标记图像为输出结果， 将纱线 结构训练样本依次输入至指定 的深度学习网络中， 以完成对深度学习网络的训练和优化， 得到深度学习纱线结构图像识 别模型； S502、 将由步骤S4获得纺织面料数字化分析基础单元输入至深度学习纱线结构图像识 别模型中， 得到图像上依次在各个纱线结构外侧设置有矩形框且矩形框上显示有纱线 结构 名称的标记图像； S503、 根据标记图像上标记的纱线结构名称， 确定纺织面料的类型， 包括： 经编织物、 纬 编织物和机织物。权　利　要　求　书 2/2 页 3 CN 115496717 A 3