基于改进U型网络的复合材料编织织物表面参数自动测量方法研究

本文提出了一种基于改进U型网络（U-Net）的编织织物表面参数自动测量方法。通过融合Dropout层、VGG16编码器和加权混合损失函数（Focal Loss+Dice Loss），显著提升了弱纱线边缘区域的检测精度。实验表明，该方法在不同织物样本中测量精度最高提升1.84%，为航空航天等领域复合材料质量控制提供了高效解决方案。

　　

Highlight

编织复合材料因其卓越的机械性能、优异的损伤容限和突出的抗冲击性（Gu et al., 2019），在航空航天等高端领域具有广泛应用。研究表明，编织角（纤维与芯轴轴线夹角）和节距长度（纤维束交织点间距）等表面参数显著影响材料性能（Gao et al., 2019b）。准确测量这些参数对于实现编织工艺闭环控制至关重要（Ouyang et al., 2024）。

Braiding principles 编织原理

如图2(b)所示，编织技术通过驱动纱线载体做圆周运动，使纱线沿特定轨迹在芯轴表面交织形成复杂结构。根据内部纱线排列方式，编织织物可分为二维（2D）和三维（3D）编织类型（Zhou et al., 2025）。

Image acquisition 图像采集

采用图4(a)所示系统采集八种织物原始图像。在密闭实验室环境中，使用20兆像素工业相机（DAHENG MERCURY2）垂直拍摄水平固定的织物样本，确保成像质量满足后续分析需求。

Measurement dataset generation 测量数据集生成

为减少随机误差，通过多次测量取平均值确定相同交织图案的参数。平面织物图像采用重叠区域裁剪，管状织物则在拍摄时旋转样本，确保每个交织图案在不同图像中被多次捕获。

Conclusion 结论

编织复合材料是高性能材料开发的关键。编织角和节距长度等参数的准确测量对保持材料质量至关重要。传统图像处理方法依赖边缘检测算子，但存在效率低、噪声敏感等局限。本研究提出的改进U-Net方法通过融合深度学习与形态学处理，实现了1.84%的精度提升，为工业化生产提供了可靠解决方案。