织物平整度等级是评级织物外观性能及其内在抗皱性能的重要指标,对生产过程中的质量控制以及交易过程中消费者的选择具有重要导向作用,因此需要正确评价织物平整度等级。目前对织物平整度等级的评价主要采用样本对照法,即将织物样本与标准模板在标准光源环境下进行视觉对照,根据其外观相似度给出平整度等级。上述方法是一种主观评价方法,易受个体心理、生理及评价环境的影响,评价结果精度较低,稳定性差,同一个体的评价结果可能出现浮动。此外,视觉对照评价依赖于观测者对平整度的主观感知,没有统一的标准,个体之间的评价结果可能出现较大差异,且人工评价耗时费力、效率低下,不符合纺织行业智能制造的发展趋势。近些年来,机器视觉在工业检测领域的应用日益增多,逐渐取代传统的人眼测量和判断,为织物平整度的自动化评价研究带来了积极意义。基于此,本课题对织物平整度客观评价方法进行了系统的研究,研究内容主要包括图像采集设备的开发、织物图像的频域分析、织物平整度特征设计和提取以及模式识别模型搭建四个部分。在图像采集设备开发方面,本文通过对早期研究对比,发现三维方法中图像获取效率低下,设备成本高昂,不利于产业应用推广,确定了以二维图像为对象的研究方案,并据此设计了单侧光源环境的图像采集装置,且由于织物褶皱于样本表面随机分布,对光源环境敏感,图像采集装置能够根据需要变换光源环境,有利于后续对光源稳定性的探讨。相比于图像的时域特征,频域特征更加稳定,且在频域内能够将不同频率的信息分开研究,减少无关信息对平整度特征提取的干扰。本文通过傅里叶变换,Gabor变换和小波变换对图像进行频域分析。在傅里叶变换中,通过设置梯度滤波器确定有效的褶皱贡献区间,并提取褶皱贡献区间的幅值信息表征织物平整度等级,且在研究中发现低分辨率的图像能够消除织物组织对褶皱贡献区间的影响。在Gabor变换中,通过调整中心频率f、半峰值带宽b和滤波器形状参数?优化滤波器组,并根据Gabor变换结果确定参数组合(f,b,?)的取值范围,且由于Gabor滤波器对边缘敏感,对褶皱具有很好的检测效果,因此设置了六个方向的Gabor滤波器,计算其幅值和(AMT)表征织物平整度特征。在小波变换中,小波变换为图像提供了一种多分辨率观察和处理工具,本文对织物图像进行三层小波分解,在4个尺度下观察褶皱形态,得到包括原图的10幅图像,并对每一幅图像求取灰度共生矩阵,并提取对比度,相关性、角二阶矩等特征表征织物平整度。结果表明,上述三种特征与织物平整度等级具有高度线性相关性,能够正确表征织物平整度等级。织物平整度客观评价是一种典型的模式识别,即依据所提取特征值对织物平整度等级进行类别判定。在模式识别模型中,本文选择支持向量机对平整度进行分类,并通过网格搜索和交叉验证得到优化的支持向量机模型。采用500块织物样本(65%位训练样本,35%为测试样本)验证此模型的效果,结果表明支持向量机对傅里叶特征,Gabor特征和小波-灰度共生矩阵特征的分类准确率分别达到78.29%,80.57%和79.43%,较之前的研究有一定的提升。为进一步提高模型的稳定性和准确率,将集成学习应用到织物平整度客观评价研究中,提出了一种集成支持向量机(Bagging-SVM)模型,并采用二重扰动机制改善集成学习系统的多样性。由于织物样本量少,首先基于Bootstrap取样方法改变样本分布,增大基学习器间差异。然后基于特征选择进一步增大基学习器间的差异,通过信息增益度量各特征的分类能力,并根据信息增益比设置特征选择权重,构造差异化的特征子集。结果表明,集成学习器对Gabor特征和小波灰度共生矩阵特征的分类准确率分别达到85.17%和84.57%。