基于高低频多尺度特征增强网络的织物纬密测量方法

《Journal of Engineered Fibers and Fabrics》：Weft density measurement of fabrics based on high-low frequency multi-scale feature enhancement network

　　

纬密是评价织物质量的核心指标。针对传统图像处理方法在测量织物纬密时存在的对不同类型适应性差、精度低及复杂织物纹理性能不佳等问题，研究人员提出一种基于高低频多尺度特征增强网络（HLFMSUNext）的织物纬密检测方法。首先，设计基于透射光源的标准化织物采集系统采集织物图像，并使用Labelme进行数据标注，构建包含不同织物样本的数据集。其次，设计HLFMSUNext网络，利用高低频自适应增强（HLFAE）模块与卷积多尺度注意力（CMEA）模块深度提取织物纹理特征，实现织物纬线的准确分割。最后，采用霍夫变换（Hough transform）与局部多方向投影法处理网络模型预测的纬线信息，计算织物纬密值。结果表明，所提方法在检测不同类型织物纬密时具有良好的检测精度与较强的品种适应性。

研究背景方面，随着经济发展，人们对服装质感与外观要求提升，推动织物结构向复杂化发展。纬密作为表征织物结构的核心技术指标，直接影响染色工艺与产品质量稳定性，高密度织物易染色渗透不足导致色差，低密度织物易在后整理中变形。当前纺织企业仍依赖人工密度计法与织物重量测试法等传统方法，存在效率低、主观性强、重复性差等问题；现有机器视觉方法分为频域分析（如快速傅里叶变换（FFT））与空域分析（灰度投影、各向异性扩散滤波等），但在高密纬纱、彩色花纹、纱线歪斜等多因素干扰的复杂纹理下，轮廓模糊、分割断裂、计数偏差显著。深度学习虽在纹理分类与缺陷检测取得突破，但直接回归密度难以保证精度，且面临纱线差异、尺度变化与表面噪声等挑战。为此，研究人员开展基于HLFMSUNext卷积神经网络的织物纬密测量研究，旨在解决复杂织物场景下精度与适应性不足的问题，论文发表于《Journal of Engineered Fibers and Fabrics》。

主要关键技术方法上，研究人员搭建基于850nm红外LED透射光源与Hikvision MV-CA013-20GM工业相机（1280×1024灰度）的采集系统，获取620张平纹、斜纹、缎纹、色织及中高密度织物图像，物理尺寸35mm×30mm，用Labelme多边形标注纬线；数据增强至6200张按9:1分训练验证集，另50张作独立测试集。网络以U-Net为基设计编码器-解码器结构：编码器堆叠高低频自适应增强（HLFAE）模块，含3×3标准卷积（d=1）、3×3膨胀卷积（d=2、d=3）及全局平均池化四分支，经1×1卷积融合后由压缩激励（SE）注意力加权并残差连接；解码器引入卷积多尺度注意力（CMEA）模块，以3×3、5×5、7×7深度可分离卷积提取多尺度特征，接续通道注意力（自适应平均与最大池化+1×1卷积全连接）与空间注意力（通道维平均与最大池化拼接+3×3卷积）双重加权，配合自适应多尺度上采样（AEMUP）融合跳跃连接。损失函数采用二值交叉熵（BCE）与Dice损失加权和（L=L_BCE+λL_Dice）。后处理对分割图Otsu二值化、骨架化提取中心线，取面积前20连通域做霍夫变换测倾角，仿射校正后用局部多方向投影消假峰，依空间分辨率95.12 pixel/mm按D_w=S_dpi×25.4/W_d算纬密（根/英寸）。

研究结果部分，按原文小节浓缩如下：

图像采集系统：通过透射光路隔离反光干扰，固定夹具防皱，统一分辨率，构建多纹理数据集并为Polygon标注适配弯曲纬线。

HLFMSUNext网络设计：整体为U形编解码，HLFAE以多分支膨胀卷积捕高频边缘（d=1）与低频周期（d=2、d=3），全局池化抑局部噪声，SE重标定通道；CMEA在跳跃连接处用深度可分离多核卷积补尺度，通道与空间注意力抑经纱背景；AEMUP转置卷积升采样后与增强跳跃特征拼接，1×1对齐通道，残差加回细化。该结构解决多尺度与目标边界显示不足。

损失函数：因前景像素少，单BCE致背景主导、单Dice致边界糊，混合加权兼顾分布差异与重叠度。

纬密测量：二值化+骨架化+Hough于Top20区域测倾角，仿射校正；局部多方向投影以微小角度旋转矩阵消弯斜假峰，选峰距方差最优者，结合95.12 pixel/mm得D_w。

实验细节：Adam初学率1e-5、动量0.9、batch 10、epoch 200，图缩至640×512；以平均绝对百分比误差（MAPE）与均方百分比误差（MSPE）评测。

结果与析：独立测试集50图，MAPE 1.42%、MSPE 2.06%；表1中6类织物（a-f）人工63~127根/英寸，预测值误差0.347%~1.864%。对比12样（平纹P1-P4、斜纹P5-P9、缎纹P10-P12）下，所提法优于灰度曲线统计、FFT、U-Net、ResNet、CMUNext、UNet++等。结论表明该方法精度高、鲁棒强、不受纱线颜色影响，适复杂纹理多品种。

讨论与结论翻译：研究人员指出，所提基于HLFMSUNext的方法通过透射采集、高低频多尺度分割与局部多方向投影后处理，在复杂织物纬密测量中取得MAPE 1.42%与MSPE 2.06%，较传统频域/空域法与多种深度学习基线更具精度与品种适应性，证明深度学习分割结合几何后处理可克服直接回归密度不准的局限，对提升纺织检测自动化与产品竞争力具工程价值。未来可沿轻量化与产线实时部署延伸，但原文未予推测。