织物经洗涤后的外观平整度是织物抗皱性的重要表征指标,而抗皱性是织物保形性的主要决定因素之一,是纺织品生产、贸易、服用中的重要性能评价指标。目前,纺织行业内对织物外观平整度的评价方法仍以人工主观评价法为主。然而这种依赖于人类视觉的评价法具有准确性低、稳定性差、客观性弱、耗时费力、不可复现等缺点。为此,构建可改善上述缺点的客观评价方法成为当下的研究热点。现有研究中所提出的方法主要采用计算机视觉技术,实现织物外观平整度的机器评价。从织物外观数据的形式可分为以下两类:基于二维数字图像的二维方法及基于三维深度图的三维方法。其中,二维方法易受到织物颜色纹理以及图像采集环境的干扰,而三维方法具有效率低及标定复杂度高等缺点。综合分析现有方法的优劣,本文提出在现有二维方法的基础上,通过图像采集系统的优化及计算机视觉算法的优化来提升其评价水平,主要工作如下:(1)构建一套织物图像采集系统,并优选图像采集环境参数,以解决二维方法的环境依赖性问题。优选的环境参数包括光源光照的方位角、高度角及亮度。在不同的参数组合下,本文对385块平整度级别各异的织物试样进行图像采集,并提取8组图像特征。通过分析不同环境下各组图像特征的信息增益,确定各参数的优化优先级,依次对光源光照的方位角、高度角、亮度进行优选。优选过程中,以前述各组特征训练平整度评价模型,分析测试结果,评判环境参数优劣,选择最优取值。(2)提出相关算法,改善二维方法的光照环境适应性及织物颜色纹理适应性。首先构建织物表面反射光度学模型,探索织物图像中光照纹理、颜色纹理、折皱纹理等视觉模式的构成机理,据此提出采用多项式拟合法去除无颜色纹理织物图像中的光照纹理。其次,以有监督图像翻译模型去除织物图像颜色纹理。为训练该模型,本文基于光度学理论构建织物颜色纹理着色模型,以此构建了有-无颜色纹理织物图像对为数据集。实验结果表明,有监督图像翻译模型性能显著优于无监督模型;在真实织物样本的测试中,有监督图像翻译模型可将0.5级误差下的织物平整度评价准确率控制在75%以上。(3)提出一种多尺度视觉掩蔽模型,提取织物图像的低阶视觉特征,以更为有效地描述人类视觉系统(HVS)在织物外观平整度评价中的作用。该模型模拟了HVS自下而上的视觉感知,可有效描述HVS的对比敏感度、多通道特性、视觉掩蔽等与织物外观平整度极为相关的特性。在所采集的样本图像库中,利用上述图像特征训练了SVM多分类模型,其测试准确率优于现有方法,验证了该低阶特征的有效性。(4)为描述视觉高阶语义特征在平整度评价中的作用,设计一种紧凑卷积神经网络cCNN,用以提取织物图像高阶视觉特征。该模型模拟了HVS自上而下的视觉感知,且适应于训练样本少、问题抽象度低的织物外观平整度评价任务。对比实验表明,cCNN取得了优于现有方法的综合性能,验证了高阶特征对织物外观平整度描述的有效性。同时,针对任务的序列分类属性,提出了一种标签平滑目标函数,以引入标签的序列先验,有效提升了cCNN在织物外观平整度评价任务中的表现。(5)基于多阶层视觉特征,提出了一种多层级紧凑卷积神经网络McCNN,并综合全文研究成果,构建了一套织物外观平整度客观评价系统。McCNN参考了高阶特征与低阶特征的互补性实验,并模拟了HVS的层级信息感知结构。此外,考虑到可能存在的主观评价误差导致的样本标签误差,提出一种标签误差样本筛除策略,减轻了标签误差样本对模型训练的负面影响。在性能验证实验中,McCNN取得了优于现有方法的测试准确率,在0级误差、0.5级误差、1级误差下分别达到86.06%、96.28%、100%。综合上述研究工作,本文构建了一套基于二维图像的织物外观平整度评价系统。系统具备良好的图像采集环境稳定性及样品颜色纹理适应性,采用符合HVS感知机理的图像特征及评价模型,呈现了织物外观平整度客观评价方法的产业应用前景。