在服装生产过程中,缝纫加工是影响成衣质量的重要工序,其研究有助于服装生产过程中的工艺改进和设备调整。作为服装生产中的重要工艺过程,缝纫质量控制相对比较复杂,受到许多因素的影响,必须充分了解面料性能,合理选择设备,优化配置缝纫工艺才能达到最优的缝制质量,从而提高生产效率,降低成本。目前在服装加工中,缝制加工工艺的确定主要是依靠经验,具有很大的模糊性,而对于缝纫质量的评价也主要是依靠主观对照方法,评价结果容易受到环境、评价者的主观态度等因素的影响,缺乏权威性和确定性。针对这一现状,本文首先研究了缝纫外观质量客观评价的实现方法,力图采用定量分析来代替传统的主观评判。在此基础上,探讨了服装面料缝制加工工艺的快速设计方法,依据服装加工中的工作实际,研究了基于面料性能分类的缝纫工艺快速匹配方法,最后运用VB和Matlab混合编程开发了服装面料缝纫工艺生成系统。本文首先对缝纫质量评价和工艺生成的国内外研究现状进行了比较全面的综述,分析了目前国内外学者在此领域所作的研究、采用的方法以及取得的成果。阐述了研究缝纫质量客观定量评价系统和加工工艺快速生成的意义。其后本文着重探讨了缝纫外观质量客观评价的实现方法,分析了将图像处理和小波分析用于缝纫平整度客观评价中的可行性。以目前国际通用的AATCC 88B标准样照为研究对象,将其录入计算机生成相应的灰度图像,分析图像的灰度直方图和灰度标准差,可以清楚地看到,随着缝纫平整度的恶化(即平整度等级从5级到1级),图像上灰度分布不均匀明显变大。利用小波变换在时频分析中具有的放大局部突变信号的能力,将其运用到缝纫外观平整度等级的评价中。本研究中,缝纫平整度图像可以被看作是一个由低频信号(图像的主体)、高频信号(噪声和边缘)以及中高频信号(缝纫不平整造成的褶皱)迭加的复杂信号,小波分析的时频局域化特性特别适合提取这类信号的特征信息。小波分析得到的水平细节系数主要反映了图像上由于缝纫平整度不良而造成的横向褶皱信息,垂直细节系数主要反映了纵向的细节变化,而对角细节系数显示的是整幅图像的细节,因此水平细节系数是反映缝纫平整度不良的主要参数。分析缝纫平整度图像的小波细节系数的标准差,可以看到,在一定的分析尺度上,随着缝纫平整度的恶化,水平细节系数的标准差呈现出明显的单调递增趋势,而且等级之间的跨度比较均匀,总跨度大,因此得出结论,小波分析对缝纫平整度有良好的判别作用。在定义了判别因子SPDI的基础上,通过分析,确定统一取haar小波第5分析尺度作为单、双线缝图像的默认分析条件。第三章主要探讨了缝纫外观质量客观评价的参数指标,力图用一组一维特征量来表征二维图像的主要信息,从而更加直观、有效和方便地实现信号提取、检测或特征识别。在AATCC 88B各平整度等级标准样照上随机取样,分别获得双、单线缝的160幅标准样照图像,在分析图像本身灰度分布特征和能量信息的基础上,引入了图像的灰度标准差和图像熵两个参数,分析发现二者与缝纫平整度的相关性均在0.93以上。在对图像做小波变换的基础上,提取第5和第4分析尺度的水平、垂直和对角小波细节系数的标准差共六个参数,分析发现水平细节系数与缝纫平整度间的相关系数达到了0.96以上,明显高于图像的灰度标准差与缝纫平整度间的相关系数,说明经过小波变换后,图像中的细节确实得到了放大。最后从能量分布的角度综合各分析尺度的信号特征,提取了小波能量作为另外一个特征参数,分析发现,小波细节总能量与缝纫平整度之间的相关系数也达到了0.96以上。第四章主要探讨了缝纫质量客观评价系统的建立和检验。根据提取的特征参数与缝纫平整度等级间的相关关系,分别建立了概率神经网络模型和多元回归模型用于评判样本的缝纫平整度。检验证明,多元回归模型虽然简单、易于理解,但是其对数据分布特征要求高,而且预测精度相对较低,预测值与期望值的相关系数在0.97以上。而概率神经网络模型对于数据的分布特征基本无要求,模型的精度高,因此可以获得更好的评判效果。概率神经网络是非线性的模式分类技术,其实质是基于贝叶斯最小风险准则发展而来的一种并行算法,它不象传统的多层前馈网络那样需要用BP算法进行误差反向传播计算,而是完全前向的计算过程,因此与BP算法网络性能相比,它具有结构简单,训练时间短,且不易收敛到局部最优的优点,并且在学习样本有限的场合具有很高的稳定性。本文对比了6个优选特征参数作为网络输入和全部9个特征参数作为网络输入的预测效果,结果发现,在训练样本较少的情况下,6个输入参数的网络其预测精度明显高于9个输入参数的神经网络,但在训练样本达到较大量时,二者的差别变得不太明显,而且预测值与期望值之间的相关系数都在0.99以上,说明网络模型有效,且精度高,可以用于预测未知缝纫样本的缝纫平整度等级,而且在样本数量允许的情况下,较多的训练样本有益于提高网络的精度。选择典型面料,检验以上的缝纫平整度客观评判的神经网络模型和多元回归模型,对主客观评价的结果进行分析,发现两种评价模型均具有较好的精度,特别是神经网络模型,其预测准确率达到90%,主客观评价的相关系数达到了0.95以上,而多元回归模型的准确率稍差些,保持在80%左右,主客观评价的相关系数在0.9以上。第五章着重探讨了缝纫工艺生成的实现方法。本文的研究主要是参照目前服装加工中,根据不同特点的面料经验性地配置缝纫工艺的实际工作习惯,即在对面料性能进行分类判别的基础上,确定每一类型面料的缝纫工艺,因此,本章首先探讨了典型面料的性能分类方法,这种分类方法打破了传统的按照不同原料对面料进行分类的习惯。本文选择了69种典型面料,这些面料在种类、厚度、重量和性能上基本涵盖了日常服装使用的面料,用FAST织物风格仪分别测试了它们的物理性能。由于获得的18个参数之间存在明显的相关性,为了简化后续处理,并减少误差,对获得的性能参数进行因子分析,找到4个公因子代替原来的18个性能指标。然后运用K-means聚类法对69种面料进行分类,在确定最佳分类数时,参考数理统计的研究成果,选用混合F统计量(Mixed-F)计算得到最佳分类数为7类,聚类完成后,观察面料及其性能特点,分析了各类型面料的共同特性,作为后续配置缝纫加工工艺的依据。其后在每一类型面料中选取1-2个样本,在不同缝纫加工工艺下设计正交试验,然后运用本文建立的概率神经网络模型评判缝纫平整度等级,对试验结果分析得到各缝纫加工工艺参数对结果影响的显著性,并找到各类型面料的最优缝纫工艺组合。实验结果显示缝纫张力是对缝纫外观质量影响最明显的工艺参数,其次缝迹密度和缝线细度,影响最小的是缝纫针号。在获得各类面料的最佳缝纫工艺组合后,对于未知的面料样本,通过判别分析判断其所属的面料类别,从而快速匹配它的最佳缝纫工艺。在样本不断扩充的情况下,可以动态调整前述的聚类过程,以使得分类更加合理。最后,本文总结全部研究成果,利用VB与Matlab混合编程,开发了服装面料缝纫加工工艺生成系统,系统可以实现面料规格、面料性能以及缝纫工艺的数据管理,进行数据的分类计算,实现缝制工艺快速生成,并且能够完成缝纫样本外观质量的主客观评定,并自动计算误差。该系统具有操作简便,数据处理方便,界面友好的特点,并且可以随着数据的扩充动态优化面料分类和缝制工艺。本文比较全面的分析了服装面料缝制加工过程中存在的主要问题,建立了服装面料缝纫外观质量客观评价系统,实现了缝纫平整度的定量评判,同时结合面料分类完成了其缝纫加工工艺的快速生成,这种方法更加贴近于服装工厂的工作实际,具有一定的实用性和推广性。本文的研究有助于服装加工企业更加快速准确的选择服装缝制工艺,控制服装缝制质量,促进服装生产的快速反应。