纺织服装起毛起球检测中现代仪器检测技术的应用研究

 纺织服装起毛起球检测中现代仪器检测技术的应用研究

张帅

中国国检测试控股集团山东有限公司 山东省枣庄市 277100

摘要：纺织服装在使用过程中，受外力摩擦或其他因素影响，易出现起毛起球现象，直接影响衣物的观赏度和使用性能。研究纺织服装起毛起球检测中现代仪器检测技术的应用，有利于提升现代纺织物起毛起球的检测效率，提升纺织服装品质，延长纺织服装使用时间。

关键词：纺织物服装；起毛检测；人工智能；图像处理；起球性能

1纺织服装的起毛起球的过程及机理

1.1纺织服装起毛起球的过程

纺织服装起毛起球的过程是在日常穿着或洗涤过程中，由于不同摩擦力的影响，物质纤维逐渐疏松。当织物表面纤维受到的外力大于纤维间的饱和力时，这些纤维会从纱线中逐渐向外推移，形成各种茸毛，这就是所谓的“起毛”现象。随着时间的推移，这些茸毛因受各种外力的影响而逐渐脱落并断裂，导致部分茸毛发生纠缠。当这些茸毛纠缠在一起时，就会在纺织服装表面形成“起球”现象。在纺织服装的持续使用过程中，其表面会不断重复毛球形成与脱落的交替过程。

1.2纺织服装起毛起球的机理

由纺织服装起毛起球的过程可知，若纺织服装在使用期间相互纠缠的纤维没有及时脱落，便会同织物周边的其他纤维相互纠缠，形成球体，球体随纠缠物的增加将逐渐变得更为紧实；此时若继续使用该纺织服装，其表面不可避免地会继续承受摩擦力等外力影响，毛球随摩擦力移动影响，获得其固定纤维张力，当固定纤维的张力低于纺织服装表层的摩擦力时，会再次出现由纤维拉扯出的新毛球，毛球经此影响，会逐渐扩大体积。

2传统纺织服装起毛起球测试方法

2.1箱式起球法

对于毛衫类织物和易起球织物的评估，常采用箱式起球法。该方法涉及将试验纺织物置于橡胶管中，并放入木箱中进行往复翻滚。待织物表面出现起球现象后，通过肉眼观察并进行评级。虽然此方法的重复性好，但存在软木衬摩擦系数和橡胶管差异等问题，这可能对纺织物的起球测试结果产生影响。

2.2马丁代尔法

马丁代尔法通常适用于毛织物、机织物以及其他易起毛球的床品类织物。在此方法中，实验纺织物被放置在转盘上，并根据测试标准选取等质量织物。转盘以曲线运动使两者相互摩擦。达到预定摩擦次数后，通过肉眼评估织物表面的起毛起球情况。

2.3圆轨迹法

圆轨迹法主要适用于工作服、运动服等化学合成纤维类及疏松结构服装织物。该方法涉及将待测试织物固定在圆盘上，并使用具有特定运动轨迹的尼龙刷进行刷毛。随后，将测试织物与同种织物进行摩擦测试。达到设定摩擦次数后，对织物表面的起毛起球状况进行评级。尼龙刷的硬度和织物衬垫的软硬度差异可能影响测试结果。

2.4随机翻滚法

随机翻滚法主要适用于机织物、针织物及起绒织物。该方法中，圆筒内设有固定搅拌棒，将预备好的纺织服装测试样品放入滚筒进行翻滚，使测试织物与筒壁或筒内其他试品发生摩擦。在特定光照条件下，通过肉眼评估织物的起毛起球情况。然而，由于存在多种不稳定因素，如测试样品在圆筒内可能发生卡板现象，因此通常不推荐使用随机翻滚法对织物服装样品进行测试。

3纺织服装起毛起球检测中现代仪器检测技术的应用

3.1高端数字图像处理方法

这种技术能够通过捕捉和分析纺织品的表面图像，精确识别出起毛起球的现象，从而提高检测的准确性和效率。在检测过程中，首先使用高分辨率的相机捕捉纺织品的表面图像。然后，通过高端的数字图像处理软件，对这些图像进行预处理，如去噪、增强对比度等，以便更清晰地显示出起毛起球的现象。接着，利用图像处理算法，如边缘检测、形态学处理等，对起毛起球的部分进行识别和定位。最后，根据识别结果，对纺织品的起毛起球程度进行定量评估，生成检测报告。高端数字图像处理方法的优势在于其非接触性和高效性。它可以在不损坏纺织品的情况下进行检测，同时，通过自动化的图像处理和分析，大大提高了检测效率。此外，这种方法还可以对大量的纺织品进行批量检测，提高了检测的通量。

3.2卷积神经网络算法分类评级

CNN是一种经改进后的人工神经网络，图像识别误识率低，可有效应用于纺织服装起毛起球人工智能分级评定。将人工智能应用于纺织服装评级，不但能对疵点进行分析识别，还能对纺织服装的性能及起毛起球情况进行具有实效性的等级评价。

①评定流程。设定系统程序，通过应用数字图像采集到的照片，插入图片库，由CNN采用直方图对相应图片进行均衡化增强，降低受环境干扰而导致的图片失真可能。随后可对纺织服装起毛起球图片数据进行评定并分类。

②评定标准。对纺织服装进行评级是最为重要的工序，能直接判定纺织服装织物起毛、起球、毡化的具体情况。纺织服装起毛起球的评定等级标准如表1所示。

表1纺织服装等级评定参数

通过定义卷积核，对输入的相应纺织服装样品照片进行特征提取，加入权重矩阵，对输入纺织服装样品照片的局部数据做加权处理，在输入数据上滑动卷积核，完成对纺织服装样品图片的特征提取。卷积特征图计算公式如下：

式中：为输入特征图尺寸；

为输入特征图大小；F为卷积核大小；S为卷积步长；P为池化层空间维度。应用池化层缩小样品照片空间维度，优化计算效率，选用全连接层对纺织服装样品等级进行分类。连接最后一个卷积层和全连接层期间，需进行矩阵扁平化处理。将获取的数据列为向量，按照等级划分标准，对纺织衣物样品起毛起球现象进行评级分类，从而实现纺织品毛球智能评定的目标。

3.3基于深度学习的纺织服装起毛起球预测模型

深度学习作为机器学习的一个分支，具有强大的特征学习和分类能力。通过构建基于深度学习的预测模型，我们可以对纺织服装的起毛起球趋势进行预测，从而提前采取相应的措施来减少起毛起球现象的发生。

构建这样的预测模型需要以下步骤：首先，收集大量的纺织服装起毛起球数据，包括织物的材质、结构、摩擦次数、温度、湿度等信息；其次，对这些数据进行预处理，如数据清洗、特征提取等；然后，选择合适的深度学习模型，如卷积神经网络（CNN）、循环神经网络（RNN）等，进行训练和优化；最后，将训练好的模型应用于实际的纺织服装起毛起球预测中，并根据预测结果采取相应的措施来减少起毛起球现象的发生。

基于深度学习的纺织服装起毛起球预测模型具有以下优点：首先，它可以自动提取织物的特征，避免了人工特征工程的繁琐和主观性；其次，它可以处理大量的数据，提高了预测的准确性和可靠性；最后，它可以对不同的织物进行预测，具有较强的通用性和适应性。

结语：

传统的检测方法虽然具有一定的准确性和可靠性，但存在着操作繁琐、效率低下等缺点。因此，现代仪器检测技术的应用成为了解决这一问题的关键。高端数字图像处理技术和卷积神经网络算法分类评级等现代仪器检测技术不仅可以提高检测的准确性和效率，还可以对大量的纺织品进行批量检测，具有广阔的应用前景。同时，基于深度学习的纺织服装起毛起球预测模型可以预测织物的起毛起球趋势，为纺织品的生产和质量控制提供了有力的支持。

参考文献

[1]唐小芳.织物起毛起球检测方法及检测细节的探讨[J].中国纤检,2022(6):86-87.

[2]张益君,胡门盛.针织面料起毛起球测试方法的研究[J].现代丝绸科学与技术,2019,34(4):7-9,37-38.

[3]严慧娟,蔡益标.纺织品起毛起球原因浅析及检测方法介绍[J].国际纺织导报,2020,48(11):38-40,42.