基于小波分析理论的织物起毛起球客观评定体系构建与应用研究

基于小波分析理论的织物起毛起球客观评定体系构建与应用研究一、引言1.1研究背景与意义在纺织行业中，织物的起毛起球问题一直是影响产品质量和消费者体验的关键因素。织物起毛起球是指织物在日常穿着、洗涤或使用过程中，由于受到各种外力的摩擦作用，表面纤维逐渐从纱线中脱离并相互纠缠，形成绒毛和毛球的现象。这一现象不仅严重影响织物的外观美感，使原本光滑整洁的织物表面变得粗糙、杂乱，降低了产品的视觉吸引力，还会对织物的手感和穿着舒适度产生负面影响。当人们穿着起毛起球的衣物时，会明显感觉到衣物质地的变化，不再柔软舒适，甚至可能产生刺痒感，极大地降低了穿着的愉悦感。此外，起毛起球还会在一定程度上缩短织物的使用寿命，加速织物的磨损和老化，导致消费者需要更频繁地更换织物产品，增加了使用成本。对于纺织企业而言，织物起毛起球问题直接关系到产品的市场竞争力和商业价值。在激烈的市场竞争中，消费者对于织物品质的要求越来越高，抗起毛起球性能已成为他们选择织物产品的重要考量因素之一。如果企业生产的织物容易起毛起球，很可能导致消费者对产品质量产生质疑，降低品牌忠诚度，进而影响产品的销售和市场份额。因此，有效解决织物起毛起球问题，提高织物的抗起毛起球性能，对于纺织企业提升产品质量、增强市场竞争力、树立良好品牌形象具有至关重要的意义。目前，传统的织物起毛起球评定方法主要依赖人工目测和与标准样照对比，这种评定方式存在诸多局限性。人工评定过程中，不同评定人员由于视觉敏感度、经验、主观判断标准等方面的差异，很难保证评定结果的一致性和准确性，容易出现较大的偏差。而且，人工评定效率较低，耗费大量的时间和人力成本，无法满足现代纺织工业大规模、高效率生产的需求。随着科技的不断进步和纺织行业的发展，迫切需要一种更加客观、准确、高效的织物起毛起球评定方法。小波分析作为一种强大的信号分析理论，近年来在众多领域得到了广泛的应用和深入的研究。它能够对信号进行多尺度分析，将信号在不同频率和时间尺度上进行分解，从而更全面、细致地提取信号的特征信息。在织物起毛起球评定中引入小波分析理论，具有重要的潜在价值和广阔的应用前景。通过小波分析，可以对织物起毛起球的图像信号或物理信号进行精确分析，提取能够准确反映起毛起球程度的特征参数，建立客观的评定模型，实现对织物起毛起球程度的定量评估。这不仅能够克服传统评定方法的主观性和不确定性，提高评定结果的可靠性和重复性，还能为纺织企业在生产过程中优化工艺参数、改进产品质量提供科学依据，促进纺织行业的技术进步和可持续发展。1.2国内外研究现状在织物起毛起球评定方面，国内外学者和研究人员进行了大量的研究工作。传统的评定方法主要包括标准样照对比法、计数法、计量法和坐标表示法等。标准样照对比法是目前应用最为广泛的方法，即通过将起球后的织物与标准样照进行对比，依据视觉判断确定试样的起球程度，起球程度通常分为五级，级数越小表示织物起球越严重，级数越大表示抗起球性能越好。这种方法虽然操作相对简便，但如前所述，其主观性强，评定结果易受评定人员的主观因素影响，不同人员之间的评定结果可能存在较大差异。计数法是规定面积中的起毛起球个数，计量法是称量织物上及落下的毛球重，这两种方法相对较为客观，但对于毛球的界定和测量存在一定难度，且在实际操作中受多种因素干扰，导致结果的准确性和重复性难以保证。坐标表示法用纵坐标表示起球数、横坐标表示摩擦时间的起球曲线来分析起球程度及起球形成与脱落的速率，这种方法能够提供更多关于起毛起球过程的信息，但数据采集和分析过程较为复杂，实际应用也受到一定限制。随着计算机技术和图像处理技术的发展，基于计算机图像处理的织物起毛起球客观评定方法逐渐成为研究热点。这类方法主要通过对织物起毛起球图像的分析来提取特征信息，进而评定起毛起球程度。一些研究利用颜色或灰度信息进行图像处理，运用阈值分割技术保留毛球信息，实现织物的等级评定；还有研究通过重构织物毛球图像来提取毛球信息。然而，这些基于空间域的方法在处理复杂织物纹理和背景时，容易受到干扰，导致毛球信息提取不准确。基于傅里叶变换的织物纹理滤除方法虽然在一定程度上能够去除纹理干扰，但对于一些具有特殊纹理结构的织物，效果并不理想，且该方法计算复杂度较高，对硬件设备要求也较高。在小波分析应用方面，其在信号处理、图像处理、故障诊断等领域取得了显著成果。在织物相关研究中，也有部分学者尝试将小波分析理论应用于织物起毛起球评定。例如，有研究建立了基于二维离散小波变换的织物起球图像分析模型，提出了优化分析小波及相应分析尺度的步骤，并利用Haar小波对机织物起毛起球进行分析，给出了织物起毛起球客观评定方法。还有研究利用Matlab小波工具箱函数，根据小波多分辨率的特点，实现对起毛起球织物图像的多层二维小波分解和重构，计算二维小波分解的能量，通过能量比值策略建立曲线分析图，找出纹理与毛球的最佳层次分割点，去除纹理影响，单独对只含毛球图像进行二值化处理，得到清晰毛球二值化图像。尽管这些研究取得了一定的进展，但目前小波分析在织物起毛起球客观评定中的应用仍处于探索阶段，还存在一些问题亟待解决。例如，如何选择最合适的小波基函数和分解层数，以适应不同类型织物的起毛起球特征分析；如何进一步提高基于小波分析的评定模型的准确性和稳定性，使其能够更广泛、准确地应用于实际生产中的织物起毛起球评定；如何将小波分析与其他先进技术（如深度学习、人工智能等）相结合，充分发挥各自的优势，实现更高效、智能的评定等。1.3研究目标与内容本研究旨在深入探讨小波分析理论在织物起毛起球客观评定中的应用，通过一系列的研究工作，建立一套更加科学、客观、准确、高效的织物起毛起球评定体系，为纺织行业的质量控制和产品研发提供有力的技术支持。具体研究内容包括以下几个方面：织物起毛起球的分类标准及评定方法研究：系统梳理国内外现有的织物起毛起球分类标准和评定方法，分析其优缺点和适用范围。对传统评定方法中的主观因素进行深入剖析，明确影响评定结果准确性和一致性的关键因素，为后续研究提供理论基础和对比依据。小波分析理论原理及其在织物起毛起球客观评定中的应用研究：全面深入地研究小波分析的理论原理，包括小波变换的基本概念、多分辨率分析、小波基函数的特性等。结合织物起毛起球的物理特性和图像特征，探索小波分析在织物起毛起球客观评定中的应用可行性和优势。研究如何利用小波分析对织物起毛起球信号进行有效的分解和重构，提取能够准确表征起毛起球程度的特征参数，如能量分布、频率特征等。建立基于小波分析的织物起毛起球客观评定模型：根据前面的研究成果，选取合适的小波基函数和分解层数，建立基于小波分析的织物起毛起球客观评定模型。通过大量的实验数据对模型进行训练和优化，确定模型中的关键参数和指标。运用统计学方法和机器学习算法，对提取的特征参数进行分析和处理，建立起特征参数与织物起毛起球程度之间的定量关系，实现对织物起毛起球程度的准确预测和评定。实验验证及分析：设计并开展一系列严谨的实验，选取不同类型、材质、织法的织物样本，对其进行起毛起球处理，并利用建立的基于小波分析的评定模型进行评定。将评定结果与传统评定方法（如标准样照对比法）的结果进行对比分析，验证模型的准确性和可靠性。对实验过程中出现的问题和结果进行深入分析，找出模型的不足之处和改进方向，进一步完善评定模型。1.4研究方法和技术路线本研究将综合运用多种研究方法，以确保研究的科学性、全面性和有效性。具体研究方法如下：文献研究法：广泛查阅国内外关于织物起毛起球评定和小波分析应用的相关文献资料，包括学术期刊论文、学位论文、研究报告、行业标准等。对这些文献进行系统的梳理和分析，了解该领域的研究现状、发展趋势和存在的问题，总结前人的研究成果和经验教训，为本研究提供坚实的理论基础和研究思路。实验法：设计并实施织物起毛起球实验，选取具有代表性的不同类型织物，如棉织物、毛织物、涤棉混纺织物等，采用不同的摩擦方式和实验条件，模拟织物在实际使用过程中的起毛起球情况。在实验过程中，运用专业的图像采集设备获取织物起毛起球前后的图像数据，同时记录相关的实验参数，如摩擦次数、压力、温度、湿度等。利用小波分析工具对采集到的图像数据和实验数据进行分析处理，提取特征信息，为建立评定模型提供数据支持。统计分析法：对实验得到的数据进行统计分析，运用统计学方法计算各种特征参数的均值、标准差、相关性等统计量，分析不同因素对织物起毛起球程度的影响规律。通过建立统计模型，对实验数据进行拟合和预测，评估模型的拟合优度和预测准确性。利用数据分析结果对基于小波分析的织物起毛起球客观评定模型进行优化和验证，提高模型的可靠性和稳定性。对比分析法：将基于小波分析的织物起毛起球评定结果与传统评定方法（如标准样照对比法、计数法、计量法等）的结果进行对比分析，从准确性、可靠性、重复性、效率等多个方面进行评价。通过对比，明确基于小波分析的评定方法的优势和不足，为进一步改进和完善评定方法提供依据。本研究的技术路线如下：首先，通过文献研究法，全面了解织物起毛起球评定和小波分析应用的相关理论和研究现状，确定研究的重点和难点。然后，开展织物起毛起球实验，采集实验数据和图像数据。接着，运用小波分析理论对采集到的数据进行处理和分析，提取特征参数，并利用统计分析法建立基于小波分析的织物起毛起球客观评定模型。最后，通过对比分析法，将建立的模型评定结果与传统评定方法结果进行对比验证，根据验证结果对模型进行优化和完善，得出最终的研究结论，并提出相应的建议和展望。具体技术路线如图1所示：[此处插入技术路线图，图中应清晰展示从文献研究、实验设计与实施、数据采集与处理、模型建立与优化到结果验证与分析的整个研究流程，各环节之间用箭头表示逻辑关系，并对每个环节进行简要标注说明]二、织物起毛起球相关理论2.1起毛起球过程及影响因素2.1.1起毛起球的三个阶段织物起毛起球是一个逐渐发展的过程，主要可分为起毛、纠缠成球、毛球脱落三个阶段。在起毛阶段，织物在穿着、洗涤或其他外力摩擦作用下，当摩擦力大于纤维强力或纤维之间的摩擦力、抱合力时，纱线表面的纤维末梢被拉出，在织物表面形成圈环和绒毛。这些绒毛的出现使布面失去原本的光滑和光泽，织物表面变得毛糙。例如，我们日常穿着的纯棉T恤，在经过多次穿着和洗涤后，领口、袖口等经常摩擦的部位就容易首先出现起毛现象。随着摩擦的持续进行，进入纠缠成球阶段。由于机械作用，更多的纤维被拉伸至织物表面并形成茸毛，当绒毛露出一定长度后，在反复的揉搓摩擦过程中，绒毛不断伸长和回缩，相互之间逐渐纠结缠绕在一起，形成毛球。这些毛球通过固着纤维与织物表面相连，初始形成的毛球通常不大，也不会形成死结，其一端埋植在织物的纤维中，另一端则连接于布面。毛球不仅严重影响织物的美观，还容易藏污纳垢，进一步降低织物的品质。以羊毛衫为例，穿着一段时间后，衣服的肘部、膝盖等部位会明显出现许多毛球。当织物继续受到摩擦时，就会进入毛球脱落阶段。连接毛球和织物的纤维因反复受到拉伸、弯曲和疲劳作用而逐渐断裂，毛球从织物表面脱落。如果起毛形成卷球的速度大于脱落的速度，毛球就会不断堆积在织物表面，使起毛起球现象愈发严重。而在一些情况下，如织物所受摩擦力较小，或者纤维本身的特性使得毛球与织物的连接较为脆弱，毛球可能在形成后较快脱落，从而在一定程度上减轻起毛起球对织物外观的影响。2.1.2纤维特性的影响纤维特性是影响织物起毛起球的重要因素之一，其中纤维长度、强度、卷曲度等特性起着关键作用。纤维长度对起毛起球有显著影响，长纤维间的摩擦力和抱合力较大，在纱线和织物中，纤维难以滑到表面，并且单位长度内纤维端头数少，露出织物表面的纤维端也少，受摩擦的端头相应减少，因此长纤维织物起球程度通常要好于短纤维织物。例如，桑蚕丝等长纤维制成的丝绸织物，相较于棉等短纤维制成的织物，更不容易起毛起球，丝绸织物表面更加光滑平整，能长时间保持良好的外观。纤维强度方面，强度高、伸长大、抗反复弯曲能力高的纤维材料，在摩擦时不易被磨断、脱落，更容易与周围的毛球继续缠绕成更大的球，所以这类强度较高的纤维材料相对更易起球。如涤纶纤维，其强度较高，在日常使用中，含有涤纶的混纺织物就比天然纤维织物更容易起毛起球。纤维卷曲度也会影响起毛起球，纤维卷曲程度影响纤维抱合力大小，卷曲度高，抱合力大，纤维不容易游离到织物表面，不易起毛，但一旦起毛后，因纤维卷曲度高则容易纠缠成球。像羊毛纤维具有较高的卷曲度，在纺纱过程中，纤维之间的抱合力较大，能纺成较为紧密的纱线，但在穿着过程中，一旦羊毛纤维从纱线中露出，就容易相互纠缠形成毛球。此外，纤维的细度、截面形状等特性也不容忽视。纤维愈细，显露在纱线表面的纤维头端就多，纤维柔软性也愈好，因此细纤维比粗纤维易于纠缠起球。纤维的截面形状是影响纤维间抱合力大小的重要因素之一，圆形截面形状的纤维较三角形、多边形等异形截面形状的纤维更容易起球，因为异形截面纤维之间有较大的接触平面，可以减少纤维滑出面料表面形成毛绒的概率，从而降低起球趋势。2.1.3纱线结构的影响纱线结构对织物起毛起球有着多方面的影响，主要体现在纱线捻度、纺纱方法、毛羽等结构因素上。纱线捻度是影响起毛起球的关键因素之一，纱线的捻度越高，纤维间抱合越紧密，单纤维间的摩擦阻力增大，降低了纤维在纱线内的滑移，起毛起球较少。然而，捻度过高会使织物发硬，手感变差，影响织物的服用性能。例如，在生产牛仔布时，适当提高纱线捻度可以减少起毛起球现象，但如果捻度过高，牛仔布会变得过于僵硬，穿着舒适度下降。纺纱方法也与起毛起球密切相关，精梳纱中纤维排列较为平直，且短纤维数量较少，暴露于纤维表面的毛羽较少，因此精梳纱较普通纱不易起毛起球。而一些新型纺纱技术，如赛络纺、缆型纺、紧密纺等，可使制成的纱线表面毛羽少、纤维间抱合紧密，纱线的耐磨性和抗起毛起球性能得到大幅提高。紧密纺技术通过在纺纱过程中对纤维进行更紧密的集聚，减少了纱线表面的毛羽，从而有效降低了织物起毛起球的可能性。纱线表面的毛羽状况对起毛起球影响很大，如果纱线的表面光洁，受到摩擦时产生的毛羽会比较少，而且纤维不易抽出，则不易起球。相反，纱线表面毛羽多，在摩擦过程中，毛羽容易相互纠缠，进而导致起毛起球现象加剧。毛羽多的花式捻线和膨体纱的织物就容易起毛起球，因为这些纱线结构使得纤维更容易从纱线中露出并相互缠绕。2.1.4织物结构的影响织物结构对起毛起球的影响主要体现在织物紧密性、表面平整性、组织结构等方面。织物紧密性是影响起毛起球的重要因素，组织结构密度大的织物受到外力摩擦时，不易产生毛绒；即便产生了毛绒，因纤维排列紧密，纤维之间的摩擦阻力较大，毛绒不易滑移至织物表面发生起毛起球现象。例如，紧密的帆布结构紧密，纤维间结合牢固，在日常使用中，比疏松结构的织物更不容易起毛起球，能保持较好的外观。织物表面的平整性也与起毛起球密切相关，表面平整的织物比表面凹凸不平的织物抗起毛起球性能更好。表面凹凸不平的织物在受到摩擦时，突出部分的纤维更容易受到外力作用而被拉出，形成绒毛，进而导致起毛起球。如一些具有复杂纹理或花纹的织物，其表面凹凸不平，就比平纹的光滑织物更容易出现起毛起球现象。不同的织物组织结构对起毛起球的影响也有所不同，各类织物的抗起毛起球性能比较一般为：机织物＞针织物；细针距织物＞粗针距织物；平纹织物＞斜纹、缎纹织物；高机号织物＞低机号织物；厚重织物＞轻薄织物；组织结构紧密的织物＞组织结构松散的织物。针织物的结构相对疏松，纱线之间的摩擦阻力小，纱线表面的毛羽更容易滑移到织物表面形成毛绒，所以针织物通常比机织物更容易起毛起球，像我们常见的针织毛衣就比机织的衬衫更容易起毛起球。2.1.5染整工艺及使用场景的影响染整工艺对织物起毛起球有着重要影响，其中染料、助剂、整理工艺等因素都可能改变织物的抗起毛起球性能。在染色过程中，染料及染色工艺会影响纤维强力及纤维间的摩擦力，从而影响起球性能。某些染料可能会使纤维的强力下降，在摩擦过程中更容易断裂，导致起毛起球现象加重；而一些染色工艺如果操作不当，也可能会破坏纤维的结构，降低织物的抗起毛起球性能。助剂的使用在染整工艺中也不容忽视，柔软处理的目的是改善织物的手感和弹性，但过多的柔软剂会使纤维或纱线间的摩擦减小，纤维之间更易滑移、抽拔，织物的抗起毛起球性能会有一定程度的下降。在精练工序时，要求去油要净，否则油剂在穿用、洗涤过程易吸附小颗粒、小花毛，影响抗起球效果，残留油质会降低纤维的摩擦力，令纤维外移，产生起球。后整理助剂中的抗起毛起球剂可提高纱线抗滑移性，减少纤维末端的滑移，减少面料起毛起球倾向。目前市场上有多种抗起毛起球剂，如广州联庄科技开发的Texnology®ZW，能够在提升织物面料的抗起毛起球性能的同时，为面料带来柔软、舒适的手感，解决面料的起毛起球与手感问题。使用场景也是影响织物起毛起球的一个重要因素，在实际使用中，织物频繁摩擦的部位更容易起毛起球。如服装的袖口、肘部、大腿内侧等部位，在日常活动中经常与其他物体发生摩擦，这些部位的织物就更容易出现起毛起球现象。此外，洗涤方式和频率也会对起毛起球产生影响，一些强力的洗涤方式和频繁的洗涤会加速纤维的磨损和脱落，从而加重起毛起球程度。2.2现有评定方法分析2.2.1主观评定方法主观评定方法是目前织物起毛起球评定中较为常用的一类方法，其中起球评级标尺和样照对比法是典型代表。起球评级标尺通常将织物起毛起球程度分为若干等级，一般为1-5级，1级表示起毛起球最为严重，织物表面布满大量毛球，严重影响外观；5级则表示抗起毛起球性能最佳，织物表面基本无起毛起球现象，保持原有光洁度。评定人员根据自己的视觉观察和经验，将待评定织物与评级标尺进行对比，从而确定其起毛起球等级。样照对比法是将起球后的织物与标准样照进行仔细对比，依据视觉判断来确定试样的起球程度。标准样照是事先按照一定标准制作的，具有不同起毛起球程度的样本，涵盖了从轻微起毛起球到严重起毛起球的各种状态。评定时，评定人员将待测试样与最相似的标准样照进行匹配，以此确定试样的起毛起球等级。这种方法操作相对简便，不需要复杂的仪器设备，在纺织行业中应用广泛。然而，主观评定方法存在明显的局限性。不同评定人员由于视觉敏感度、经验、主观判断标准等方面存在差异，对于同一织物的起毛起球评定结果可能会有较大偏差。即使是经验丰富的评定人员，在不同时间、不同环境下进行评定，也可能得出不同的结果。而且，主观评定方法缺乏客观的量化指标，难以对起毛起球程度进行精确的定量描述，无法满足现代纺织工业对产品质量精准控制的需求。2.2.2客观评定方法探索为了克服主观评定方法的不足，研究人员不断探索客观评定方法。计数法是一种较为简单的客观评定方法，它通过规定面积中的起毛起球个数来衡量织物的起毛起球程度。在一定面积的织物上，统计毛球的数量，毛球数量越多，表明起毛起球现象越严重。但这种方法对于毛球的界定存在一定难度，不同大小、形状的毛球如何准确计数，以及如何区分真正的毛球和一些类似毛球的杂质，都给计数带来了挑战。计量法是称量织物上及落下的毛球重，以此来评估起毛起球程度。通过收集织物表面和脱落下来的毛球，进行精确称重，毛球重量越大，说明起毛起球越严重。但在实际操作中，毛球的收集和分离较为困难，容易混入其他杂质，影响称重的准确性，而且对于一些轻薄织物，毛球重量的变化可能不明显，难以准确反映起毛起球程度。起球曲线分析则是用纵坐标表示起球数、横坐标表示摩擦时间的起球曲线来分析起球程度及起球形成与脱落的速率。通过在不同摩擦时间下对织物的起球数进行测量和记录，绘制起球曲线。从曲线的变化趋势可以了解起毛起球的发展过程，如起球速率的快慢、毛球形成与脱落的平衡点等。但这种方法数据采集和分析过程较为复杂，需要专业的设备和技术，对实验条件要求较高，实际应用受到一定限制。近年来，随着计算机技术和图像处理技术的发展，基于计算机图像处理的客观评定方法逐渐兴起。这类方法通过对织物起毛起球图像的分析来提取特征信息，进而评定起毛起球程度。利用颜色或灰度信息进行图像处理，运用阈值分割技术保留毛球信息，实现织物的等级评定；通过重构织物毛球图像来提取毛球信息。但这些基于空间域的方法在处理复杂织物纹理和背景时，容易受到干扰，导致毛球信息提取不准确。2.2.3现有方法的不足综上所述，现有织物起毛起球评定方法存在诸多不足。主观评定方法主观性强，评定结果受人为因素影响大，缺乏一致性和准确性，无法满足纺织行业对产品质量严格把控的要求。而客观评定方法虽然在一定程度上克服了主观性问题，但也各自存在局限性。计数法和计量法在毛球的界定、测量和杂质干扰等方面存在困难，导致结果的准确性和重复性难以保证；起球曲线分析和基于计算机图像处理的方法虽然能够提供更多关于起毛起球过程和图像特征的信息，但数据采集和分析过程复杂，对设备和技术要求高，且在处理复杂织物时效果不理想。此外，现有评定方法普遍存在无法精确定量描述织物起毛起球程度的问题，难以建立起起毛起球程度与织物各项性能指标之间的精确关系。在实际生产中，纺织企业需要一种能够准确、快速、全面地评定织物起毛起球程度的方法，以便更好地控制产品质量、优化生产工艺和研发新产品。因此，开发一种更加科学、客观、准确、高效的织物起毛起球评定方法具有重要的现实意义和迫切的需求。三、小波分析理论基础3.1小波分析的基本概念3.1.1小波的定义与特性小波，从字面意义上理解，兼具“小”和“波”的特性。所谓“小”，是指小波函数在时域上具有衰减性，即它在某个有限区域之外会迅速衰减趋近于零。这一特性使得小波能够聚焦于信号的局部特征，对信号的细节变化具有敏锐的捕捉能力。以墨西哥草帽小波为例，其波形在中心区域具有明显的峰值，而在远离中心的区域，幅值迅速减小，呈现出良好的衰减特性。而“波”则体现了小波函数的波动性，其振幅呈现出正负相间的振荡形式，并且小波函数的直流分量为零。这种波动性使得小波能够对信号的频率特征进行有效的分析。例如，Morlet小波是高斯包络下的单频率复正弦函数，它在时域上表现出明显的振荡特性，通过与信号的相互作用，可以揭示信号中不同频率成分的信息。小波函数的这些特性，使其与传统的傅里叶变换基函数（如正弦波和余弦波）有着显著的区别。傅里叶变换基函数在时域上是无限延伸的，缺乏对信号局部特征的刻画能力。而小波函数的局部化特性，使得它在处理非平稳信号时具有独特的优势，能够更准确地分析信号在不同时间和频率上的变化情况。3.1.2母小波与小波函数母小波是小波分析中的核心概念，它是一个具有特定性质的基本函数，通常满足平方可积条件，即能量有限。母小波函数需要满足一系列条件，如单位化、有界性、平均值为零等。以Haar小波为例，它是最简单的正交小波，其母小波在区间[0,1]上取值为1，在区间[1,2]上取值为-1，在其他区间取值为0，满足母小波的基本条件。通过对母小波进行伸缩和平移操作，可以得到一系列的小波函数。具体来说，对于母小波函数\psi(t)，通过引入尺度因子a和平移因子b，可以生成小波函数\psi_{a,b}(t)=\frac{1}{\sqrt{|a|}}\psi(\frac{t-b}{a})。其中，尺度因子a控制小波函数的伸缩程度，当a增大时，小波函数在时域上被拉伸，其对应的频率降低；当a减小时，小波函数在时域上被压缩，其对应的频率升高。平移因子b则控制小波函数在时间轴上的位置，通过改变b的值，可以使小波函数在不同的时间点对信号进行分析。这种通过母小波生成小波函数的方式，使得小波分析具有多分辨率分析的能力。在不同的尺度下，小波函数能够对信号的不同频率成分进行有效的分析。在大尺度下，小波函数可以捕捉信号的整体趋势和低频信息；在小尺度下，小波函数能够聚焦于信号的细节和高频信息。通过对不同尺度和位置的小波函数与信号进行比较和分析，可以全面地揭示信号的特征，为信号处理和分析提供了强大的工具。3.2小波变换的类型及原理3.2.1连续小波变换（CWT）连续小波变换（CWT）是小波变换的一种重要类型，它在所有可能的缩放和平移上对信号进行操作。对于一个给定的一维连续时间信号f(t)，其对应的连续小波变换可以由下述积分表达：W_f(a,b)=\frac{1}{\sqrt{|a|}}\int_{-\infty}^{+\infty}f(t)\psi^*(\frac{t-b}{a})dt。其中，a是尺度参数，它控制着小波的缩放程度，反映了分析的频率分辨率，尺度参数越大，小波越宽，对应于低频，反之则对应高频；b是平移参数，用于将小波沿着时间轴移动，使得CWT能够捕捉到信号在不同时间点的局部特性；\psi(t)表示所选的小波基函数，星号*代表复共轭运算。CWT的原理可以理解为计算原始信号与一系列经过伸缩和平移后的基本小波之间的内积。通过不断改变尺度参数a和平移参数b，可以得到信号在不同尺度和位置下的小波变换系数W_f(a,b)。这些系数反映了信号在不同频率和时间上的特征信息，通过对这些系数的分析，可以实现对信号的时频分析。CWT具有多分辨率特性，由于采用了不同的尺度因子a，因此可以在多个层次上观察到数据的不同细节水平。当增大比例系数时，相当于放大了局部区域内的变化情况，更关注信号的细节；而减小时，则更关注整体趋势而非细枝末节之处。这种多分辨能力使得CWT成为处理具有瞬态特性信号的重要工具之一，在生物医学工程、语音处理等领域有着广泛的应用。在脑电图（EEG）数据预处理中，针对存在的低频干扰问题，即所谓的“基线漂移”，可以通过执行CWT来识别并消除这些不需要成分的影响。具体做法是从获得的时间-频率分布中分离出对应特定范围内的功率谱密度，并据此调整原记录使之更加纯净可靠。3.2.2离散小波变换（DWT）离散小波变换（DWT）是小波变换的另一种重要形式，它采用特定子集的缩放和平移值对信号进行处理。与CWT不同，DWT对尺度参数按幂级数进行离散化处理，对时间进行均匀离散化取值，如二进制离散化尺度时间为2,4,6,8,\cdots,2n（要求采样率满足尼奎斯特采样定理）。DWT的原理基于多分辨率分析（MRA），它通过一系列的滤波器来分解信号。这些滤波器包括低通滤波器（用于近似分量）和高通滤波器（用于细节分量）。在DWT变换过程中，原始信号首先通过低通滤波器和高通滤波器，低通滤波器的输出称为近似系数，它包含了信号的低频信息，反映了信号的大致趋势；高通滤波器的输出称为细节系数，包含了信号的高频信息，即信号的细节变化。然后对近似系数再次进行滤波和下采样，得到更低频和更高频部分，重复以上步骤，直到达到所需的分解层级。通过这种方式，DWT可以将信号分解成不同分辨率的层次结构，每个层次对应于不同的频率范围。DWT在数字信号处理中具有广泛的应用，在信号去噪方面，由于噪声通常集中在高频部分，通过对信号进行DWT分解，然后对高频细节系数进行阈值处理，将小于阈值的系数置零，再进行逆DWT重构，就可以有效地去除噪声，同时保留信号的主要特征。在图像压缩领域，DWT可以将图像分解为不同尺度和方向的近似系数和细节系数，根据图像内容，选择保留重要的小波系数，去除次要或冗余的系数，然后对选定的小波系数进行编码和量化，以实现图像的有效压缩。3.3小波分析的时频特性小波分析的一个重要优势在于它能够同时在时域和频域对信号进行分析，具有良好的时频局部化特性。与传统的傅里叶变换相比，傅里叶变换只能将信号从时域转换到频域，提供信号的全局频谱信息，但无法提供信号在时域和频域上的局部化信息。也就是说，傅里叶变换无法识别信号中瞬态事件或局部变化。例如，对于一个包含短暂脉冲的信号，傅里叶变换只能给出整个信号的频率组成，无法准确指出脉冲发生的时间位置。而小波分析通过使用小波函数作为基函数，这些小波函数在时域和频域都具有有限的支撑范围，能够在不同的时间和频率尺度上对信号进行局部分析。在分析一个复杂的音乐信号时，小波分析可以准确地定位不同乐器声音出现的时间，以及每个声音的频率特征。当鼓点响起时，小波分析能够捕捉到鼓点在时域上的短暂冲击，同时也能分析出鼓点所包含的频率成分。对于非平稳信号，其频率成分随时间变化，传统的分析方法往往难以准确刻画其特征。小波分析则能够很好地适应非平稳信号的特点，通过调整尺度和位置参数，对信号在不同时间点的频率变化进行精确分析。在生物医学信号处理中，如心电图（ECG）信号，其包含了心脏活动的丰富信息，且信号特征随时间动态变化。小波分析可以有效地提取ECG信号中的各种特征，如P波、QRS波群、T波等，为心脏疾病的诊断提供有力的支持。3.4小波分析在信号处理中的应用优势在信号去噪方面，小波分析相较于传统的去噪方法具有明显的优势。传统的去噪方法如均值滤波、中值滤波等主要依赖于平滑技术，通过对信号进行平均或取中值来抑制噪声。但这些方法往往会引入平滑误差或丢失信号细节信息，在去除噪声的同时，也会使信号的边缘和细节变得模糊。而小波分析利用小波函数的时频局部化特性和多尺度分析能力，能够将信号分解成不同尺度和频率的子信号。噪声通常集中在高频部分，通过对高频子信号进行阈值处理，去除噪声对应的小波系数，再进行小波逆变换重构信号，就可以在有效去除噪声的同时，最大程度地保留信号的细节和特征。在处理含有噪声的图像时，小波去噪可以清晰地保留图像的边缘和纹理信息，使去噪后的图像更加清晰自然。在特征提取方面，小波分析能够有效地提取信号的特征信息。由于小波变换可以将信号表示为稀疏系数和小波系数的线性组合，通过对小波系数的分析，可以提取出信号的关键特征。在机械故障诊断中，通过对机械设备运行时产生的振动信号进行小波分析，可以提取出反映设备故障的特征频率和特征模式，从而实现对设备故障的早期检测和诊断。而且小波分析的多尺度分析能力使得它能够从不同尺度上提取信号的特征，对于复杂信号的分析具有更强的适应性。在语音识别中，小波分析可以从不同尺度上分析语音信号的特征，提高语音识别的准确率。四、小波分析在织物起毛起球评定中的应用原理4.1基于小波分析的织物图像特征提取4.1.1织物起球图像的二维离散小波变换将织物起球图像看作一个二维信号，对其进行二维离散小波变换是提取图像特征的关键步骤。在这一过程中，图像会在水平和垂直两个方向上进行分解。首先，对图像的每一行进行一维离散小波变换，通过低通滤波器和高通滤波器的作用，将每一行的信号分解为低频分量和高频分量。低通滤波器能够保留信号中的低频信息，这些信息主要反映了图像的大致轮廓和缓慢变化的部分；高通滤波器则捕捉信号中的高频信息，高频信息对应着图像中的细节、边缘和突变部分。接着，对变换所得数据的每一列进行一维离散小波变换，再次经过低通滤波器和高通滤波器的处理，最终得到四个子带图像。这四个子带图像分别为：左上角的近似子带（LL），它代表着图像水平和垂直两个方向的低频成分，包含了图像的主要能量和大致特征，如织物的整体形状、大面积的颜色分布等；右上角的水平细节子带（LH），代表图像水平方向的低频成分和垂直方向的高频成分，主要体现了图像在垂直方向上的边缘和细节信息，例如织物纹理在垂直方向上的变化；左下角的垂直细节子带（HL），代表图像水平方向的高频成分和垂直方向的低频成分，主要反映了图像在水平方向上的边缘和细节信息，比如织物纹理在水平方向上的特征；右下角的对角细节子带（HH），代表图像水平和垂直方向上的高频成分，包含了图像中对角方向的细节和高频噪声等信息。这种二维离散小波变换可以对图像进行多分辨率分析，随着分解层数的增加，低频子带图像可以进一步分解，从而能够在不同尺度上观察织物起球图像的特征。在第一层分解中，低频子带（LL1）保留了图像的大部分能量和主要特征，但分辨率相对较低；而高频子带（LH1、HL1、HH1）则包含了图像的一些细节信息。当进行第二层分解时，LL1会再次被分解为四个子带（LL2、LH2、HL2、HH2），此时LL2的分辨率更低，但包含了更全局的特征，而新产生的高频子带（LH2、HL2、HH2）则进一步细化了图像在不同方向上的细节。通过这种多尺度的分解方式，可以全面地提取织物起球图像在不同分辨率和方向上的特征信息，为后续的起球评定提供丰富的数据支持。4.1.2小波系数与起球特征的关联小波系数在反映织物起球特征方面具有重要作用，不同子带的小波系数能够体现起球的大小、数量、分布等特征。对于起球大小的反映，在低频子带中，小波系数的幅值大小与起球的大致尺寸相关。当低频子带中的小波系数幅值较大时，可能表示存在较大尺寸的起球。因为低频子带主要包含图像的低频信息，这些信息对应着图像中较大尺度的特征，较大的起球在低频子带中会产生相对较大的系数值。而高频子带中的小波系数则更多地与起球的细节和边缘相关。高频系数的分布和变化情况可以反映起球的边缘细节，例如起球的轮廓是否清晰、表面是否粗糙等。如果高频系数在某些区域较为集中且幅值较大，可能意味着该区域的起球边缘较为复杂，起球可能具有不规则的形状。在起球数量方面，高频子带的小波系数数量和分布也能提供重要线索。当高频子带中存在较多非零小波系数，且这些系数在图像中分布较为广泛时，可能表示织物表面存在较多的起球。这是因为起球的存在会导致图像局部出现高频变化，从而在高频子带中产生较多的系数。通过统计高频子带中小波系数的数量和分布范围，可以初步估计起球的数量。关于起球的分布特征，不同子带小波系数的空间分布可以反映起球在织物表面的位置和聚集情况。如果在图像的某个区域，低频子带和高频子带的小波系数都表现出明显的变化，说明该区域可能存在起球，且起球在该区域较为集中。通过分析小波系数在不同子带中的空间分布模式，可以绘制起球在织物表面的分布图谱，直观地展示起球的分布情况。通过对不同子带小波系数的分析，可以全面、准确地提取织物起球的各种特征信息，为客观评定织物起毛起球程度提供了科学依据。这些特征信息可以作为后续建立评定模型的重要参数，通过进一步的数据分析和处理，实现对织物起毛起球程度的精确量化评估。4.2小波分析用于去除噪声和增强图像4.2.1小波降噪的原理与方法小波阈值去噪是一种常用的利用小波变换去噪的方法，其原理基于信号和噪声在小波变换下的不同特性。在小波变换中，信号和噪声会被分解到不同的频率子带中。通常情况下，信号主要集中在低频子带，且低频子带中的小波系数幅值相对较大；而噪声则主要分布在高频子带，高频子带中的小波系数幅值相对较小。小波阈值去噪的具体过程如下：首先对含噪的织物起球图像进行小波变换，将图像分解为不同尺度和方向的子带，得到一系列的小波系数。然后，根据一定的准则选择一个合适的阈值。常见的阈值选择方法有通用阈值（VisuShrink）、Stein无偏似然估计阈值（SureShrink）等。通用阈值是基于图像的噪声标准差来确定阈值，其计算公式为\lambda=\sigma\sqrt{2\lnN}，其中\sigma是噪声标准差，N是信号的长度。Stein无偏似然估计阈值则是通过计算Stein无偏风险估计来确定最优阈值，该方法在一定程度上能够自适应地选择阈值，对于不同特性的信号具有较好的适应性。确定阈值后，对小波系数进行阈值处理。阈值处理的方式主要有硬阈值和软阈值两种。硬阈值处理是将小于阈值的小波系数置为零，大于阈值的小波系数保持不变；软阈值处理则是将小于阈值的小波系数置为零，大于阈值的小波系数向零收缩，即y=sign(x)(|x|-\lambda)，其中x是原始小波系数，y是处理后的小波系数，\lambda是阈值，sign(x)是符号函数。硬阈值处理能够保留信号的主要特征，但可能会在重构图像中引入一些振荡；软阈值处理则使重构图像更加平滑，但可能会丢失一些细节信息。在实际应用中，需要根据具体情况选择合适的阈值处理方式。最后，对处理后的小波系数进行逆小波变换，重构出去噪后的图像。通过逆小波变换，将经过阈值处理后的小波系数重新组合，恢复出图像的原始结构和信息，从而达到去除噪声的目的。4.2.2去除噪声对起球评定的重要性在织物起毛起球评定中，噪声干扰会对起球特征提取和评定结果的准确性产生严重影响。噪声可能来自多个方面，在图像采集过程中，相机的传感器噪声、环境光照的不均匀性等都可能导致采集到的织物起球图像含有噪声。在信号传输和处理过程中，也可能引入各种噪声。这些噪声会使织物起球图像的质量下降，模糊起球的真实特征。噪声可能会掩盖起球的边缘和细节信息，使起球的轮廓变得不清晰，从而难以准确判断起球的大小和形状。噪声还可能导致虚假的高频信号出现，干扰对起球数量和分布的判断。如果在起球图像中存在大量噪声，可能会误将噪声信号当作起球特征进行提取，导致起球数量的高估；或者由于噪声的干扰，无法准确识别出一些较小的起球，从而低估起球数量。准确提取起球特征是客观评定织物起毛起球程度的关键。如果起球特征受到噪声干扰而提取不准确，那么基于这些特征建立的评定模型也会产生偏差，导致评定结果不可靠。通过去除噪声，可以提高织物起球图像的质量，使起球的特征更加清晰、准确地呈现出来。去除噪声后的图像能够更真实地反映起球的大小、数量和分布情况，为后续的特征提取和评定模型建立提供可靠的数据基础。这样，基于去噪后图像提取的特征参数能够更准确地反映织物起毛起球的实际程度，从而提高评定结果的准确性和可靠性，为纺织企业的质量控制和产品研发提供更有价值的参考。4.3选择合适小波基和分析尺度4.3.1常见小波基的特点与选择依据在小波分析中，不同的小波基具有各自独特的特点，选择合适的小波基对于准确分析织物起毛起球特征至关重要。Haar小波是最简单的正交小波，它的波形在时域上表现为矩形脉冲，在一个周期内，取值为1和-1。Haar小波的计算量较小，运算速度快，这使得它在一些对计算效率要求较高的场景中具有优势。由于其不连续性，Haar小波在处理信号时可能会导致分析结果不够平滑，对于一些需要精确刻画信号细节和连续性的织物起毛起球分析任务，可能不太适用。Daubechies小波是最常用的小波基之一，具有良好的平滑性和局部化特性。它有不同的阶数可供选择，不同阶数的Daubechies小波在消失矩、支撑长度等方面存在差异，能够适用于不同类型的信号处理。高阶的Daubechies小波具有更高的消失矩，能够更好地逼近光滑信号，对于具有复杂纹理和起球特征的织物图像分析，可能更能准确捕捉信号的细节和特征。但随着阶数的增加，计算复杂度也会相应提高。Symlets小波与Daubechies小波类似，具有较好的对称性。在处理对称信号时，Symlets小波能够保持信号的对称性，避免因小波基的不对称性而引入额外的误差。在分析具有对称结构或规律的织物起毛起球特征时，Symlets小波可能是一个较好的选择。Coiflets小波是一种高阶小波基，具有平滑性和局部化特性，它适用于处理非平稳信号。织物起毛起球过程受到多种因素影响，其信号具有一定的非平稳性。Coiflets小波能够在不同尺度上对非平稳信号进行有效的分析，对于准确提取织物起毛起球的动态特征可能具有优势。但Coiflets小波的计算量相对较大，在实际应用中需要考虑计算资源和时间成本。选择小波基的依据主要包括信号的特点和分析任务的要求。需要分析织物起毛起球信号的平稳性、频率特性、纹理结构等。对于平稳性较好、频率成分相对简单的织物起球信号，可以选择计算量较小、结构简单的小波基，如Haar小波；而对于非平稳、频率成分复杂的信号，则需要选择具有更好时频局部化特性和适应性的小波基，如Daubechies小波、Coiflets小波等。还需要考虑分析任务对计算效率、精度和稳定性的要求。如果对计算效率要求较高，且对分析精度要求相对较低，可以优先选择计算量小的小波基；如果对分析精度和稳定性要求较高，则应选择能够更准确捕捉信号特征的小波基。4.3.2确定分析尺度的方法确定合适的分析尺度对于准确提取织物起毛起球特征同样关键，通常可以根据织物起毛起球特征和信号频率来确定分析尺度。织物起毛起球特征在不同尺度上具有不同的表现。在小尺度下，小波分析能够捕捉到织物起球的细节信息，如起球的边缘、表面纹理等。这些细节信息对于准确判断起球的形态和结构非常重要。但小尺度分析可能会受到噪声的影响较大，且对于整体起球特征的把握不够全面。在大尺度下，小波分析可以反映织物起球的整体趋势和宏观特征，如起球的分布范围、整体密度等。大尺度分析能够从宏观上把握起毛起球的情况，但可能会丢失一些细节信息。织物起毛起球信号具有一定的频率范围，不同频率成分对应着不同的起球特征。低频成分主要反映织物的整体结构和大面积的起球情况，高频成分则与起球的细节和边缘相关。在确定分析尺度时，需要考虑信号的频率特性。可以通过对织物起毛起球信号进行初步的频率分析，了解信号中不同频率成分的分布情况。如果信号中低频成分占主导，说明起球的整体特征较为突出，此时可以选择较大的分析尺度，以更好地把握整体起球情况；如果信号中高频成分较多，表明起球的细节特征丰富，需要选择较小的分析尺度，以准确提取这些细节信息。实际操作中，可以采用试验的方法来确定最佳分析尺度。选择不同的分析尺度对织物起球图像进行小波分析，然后根据分析结果来评估不同尺度下的特征提取效果。可以通过计算一些特征指标，如起球特征的完整性、噪声的抑制程度、与主观评定结果的相关性等，来比较不同尺度下的分析效果。选择能够使这些特征指标达到最优的分析尺度作为最终的分析尺度。还可以结合经验和先验知识，参考相关研究中针对类似织物起毛起球分析所采用的分析尺度，为确定合适的分析尺度提供参考。通过综合考虑织物起毛起球特征、信号频率以及试验结果等因素，可以确定出最适合的分析尺度，从而提高基于小波分析的织物起毛起球评定的准确性和可靠性。五、实验设计与数据分析5.1实验材料与设备5.1.1不同类型织物的选择为了全面、准确地研究小波分析在织物起毛起球客观评定中的应用，本实验精心选取了多种具有代表性的不同类型织物作为研究对象。在纤维种类方面，涵盖了天然纤维和化学纤维，包括纯棉织物、纯羊毛织物、纯涤纶织物、涤棉混纺织物以及腈纶织物。纯棉织物具有良好的吸湿性和透气性，但其抗起毛起球性能相对较弱；纯羊毛织物保暖性强、手感柔软，但容易起毛起球；纯涤纶织物强度高、耐磨性好，但吸湿性差，且起毛起球现象较为明显；涤棉混纺织物结合了棉和涤纶的优点，其起毛起球性能受到两种纤维比例和混纺工艺的影响；腈纶织物具有类似羊毛的特性，在起毛起球方面也有独特的表现。在纱线结构方面，选择了不同捻度、不同纺纱方法的纱线所织成的织物。包括低捻度纱线织物、高捻度纱线织物，以及采用环锭纺、紧密纺、赛络纺等不同纺纱方法生产的纱线制成的织物。低捻度纱线织物纤维间抱合力较弱，相对更容易起毛起球；高捻度纱线织物纤维间抱合紧密，抗起毛起球性能较好；不同纺纱方法生产的纱线，其表面毛羽状况和纤维排列方式不同，对织物起毛起球性能也有显著影响。紧密纺技术生产的纱线表面毛羽少，能有效降低织物起毛起球的可能性；而环锭纺纱线表面毛羽相对较多，织物起毛起球的概率相对较高。在织物结构方面，选取了不同组织结构、不同密度的织物。组织结构包括平纹、斜纹、缎纹等常见的机织物组织结构，以及纬平针、罗纹、双反面等针织物组织结构。平纹织物交织点多，结构紧密，抗起毛起球性能相对较好；斜纹织物交织点较少，手感柔软，但起毛起球倾向相对较大；缎纹织物表面光滑，光泽度好，但在摩擦作用下也容易出现起毛起球现象。针织物由于其线圈结构，相对机织物更容易起毛起球，不同针织物组织结构的起毛起球性能也存在差异。还选择了不同密度的织物，从低密度的轻薄织物到高密度的厚重织物，以研究织物密度对起毛起球性能的影响。低密度织物纤维间空隙大，纤维容易滑移和抽出，起毛起球现象较为严重；高密度织物纤维排列紧密，能有效抑制纤维的滑移和抽出，抗起毛起球性能较好。通过选择上述多种不同类型的织物，能够充分涵盖织物在纤维、纱线和织物结构等方面的多样性，为深入研究小波分析在不同织物起毛起球客观评定中的应用提供丰富的数据基础，使研究结果更具普遍性和可靠性。5.1.2实验设备及仪器本实验所使用的设备及仪器主要包括图像采集设备、起毛起球测试仪和计算机等。图像采集设备选用高分辨率工业相机，型号为[具体型号]，其分辨率可达[X]万像素，能够清晰捕捉织物表面的起毛起球细节。配备专业的图像采集镜头，具有大光圈和高解析度，可有效减少图像畸变，确保采集到的图像真实、准确地反映织物的起毛起球状况。相机的帧率为[X]fps，能够满足快速采集图像的需求，在不同光照条件下，相机能够自动调整曝光参数，保证图像的清晰度和对比度。起毛起球测试仪采用圆轨迹法起毛起球测试仪，型号为[具体型号]，符合GB/T4802.1-2008《纺织品织物起毛起球性能的测定第1部分：圆轨迹法》标准。该测试仪通过规定次数和压力的摩擦，使试样表面产生起毛起球现象。仪器的摩擦头为尼龙刷和织物磨料，尼龙刷的尼龙丝直径为0.3mm，植丝孔径4.5mm，每孔尼龙丝150根，孔距7mm，刷面平齐，可调节尼龙丝有效高度；织物磨料选用2201全毛华达呢，组织为2/2右斜纹，线密度为19.6tex×2，捻度为Z625-S700，密度为445根/10cm×224根/10cm，单位面积质量为305g/m²。仪器可设置的试样压力范围为490cN-780cN，起毛次数和起球次数可根据不同织物类型在1-9999次范围内自由设定，能够满足多种织物的起毛起球测试需求。计算机用于图像数据的处理和分析，其配置为：处理器为[具体型号]，主频为[X]GHz，具备强大的数据处理能力；内存为[X]GB，能够保证多任务处理和大数据量运算的流畅性；硬盘为[X]GB固态硬盘，读写速度快，可快速存储和读取大量的图像数据和分析结果；显卡为[具体型号]，具有较高的图形处理能力，能够加速图像的显示和处理。计算机安装了专业的图像处理软件，如Matlab、Photoshop等，以及数据分析软件，如SPSS、Python等。Matlab软件拥有丰富的图像处理和小波分析工具箱，能够方便地对采集到的织物起毛起球图像进行预处理、小波变换和特征提取；Python语言具有强大的数据处理和机器学习库，如Numpy、Pandas、Scikit-learn等，可用于建立和训练织物起毛起球客观评定模型，并进行数据分析和模型评估。5.2实验步骤5.2.1织物起毛起球处理利用起毛起球测试仪对选取的织物样品进行起毛起球处理。根据织物的类型，参考相关标准和文献，选择合适的测试参数。对于化纤针织物，设定压力为590cN，起毛次数为150次，起球次数为150次；对于精梳毛织物，压力设置为780cN，起毛次数为0次，起球次数为600次；对于粗梳毛织物，压力为490cN，起毛次数为0次，起球次数为50次等。在实际操作中，若遇到标准中未明确规定参数的织物类型，则根据织物的纤维成分、纱线结构和织物结构等特性，参考类似织物的测试参数，并结合预实验结果进行调整。将裁剪好的直径为(113±0.5)mm的圆形织物试样固定在测试仪的试样夹上，确保试样平整且牢固。启动测试仪，使尼龙刷或织物磨料按照设定的参数对试样进行摩擦。在摩擦过程中，密切观察测试仪的运行状态，确保摩擦过程的稳定性和一致性。摩擦完成后，小心取下试样，避免对起毛起球后的织物表面造成二次损伤。5.2.2图像采集与预处理使用高分辨率工业相机对起毛起球处理后的织物试样进行图像采集。将织物试样平整放置在黑色背景板上，确保织物表面无褶皱和阴影。调整相机的位置和角度，使相机镜头垂直于织物表面，且织物图像完全覆盖相机的取景范围。设置相机的参数，如分辨率、曝光时间、光圈大小等，以获取清晰、高质量的织物起毛起球图像。在不同的光照条件下进行多次图像采集，以研究光照对图像质量和后续分析结果的影响。采集到的原始图像可能存在噪声、光照不均匀等问题，需要进行预处理。首先对图像进行灰度化处理，将彩色图像转换为灰度图像，减少数据量，同时突出图像的亮度信息，便于后续的分析。灰度化处理采用加权平均法，根据人眼对不同颜色的敏感度，对RGB三个通道的像素值进行加权求和，得到灰度图像。对灰度图像进行降噪处理，采用小波阈值去噪方法，根据图像的噪声特性选择合适的小波基和阈值，去除图像中的噪声干扰。在选择小波基时，对比了Haar小波、Daubechies小波等多种小波基的去噪效果，最终根据织物起毛起球图像的特点选择了Daubechies小波。在确定阈值时，采用了通用阈值（VisuShrink）和Stein无偏似然估计阈值（SureShrink）等方法进行试验，根据去噪后的图像质量和细节保留情况，选择了Stein无偏似然估计阈值。还对图像进行了直方图均衡化处理，增强图像的对比度，使起毛起球的细节更加清晰可见。通过对图像的灰度化、降噪和直方图均衡化等预处理操作，提高了图像的质量，为后续的小波分析和特征提取奠定了良好的基础。5.2.3小波分析与特征提取运用小波分析对预处理后的织物起毛起球图像进行特征提取。选择合适的小波基和分解层数，通过多次试验和对比分析，结合织物起毛起球图像的特点和频率特性，确定使用Symlets小波作为小波基，分解层数为3层。对图像进行二维离散小波变换，将图像分解为不同频率的子带。经过三层分解后，得到低频子带LL3和高频子带LH3、HL3、HH3。低频子带LL3包含了图像的主要能量和大致特征，高频子带LH3、HL3、HH3分别包含了图像在水平、垂直和对角方向上的细节信息。对各子带的小波系数进行分析，提取能够反映织物起毛起球特征的参数。计算各子带的能量，能量计算公式为E=\sum_{i,j}|c_{ij}|^2，其中c_{ij}为小波系数。通过比较不同子带的能量分布，发现高频子带的能量与起毛起球的程度密切相关。高频子带能量越高，表明织物表面的起毛起球现象越严重。统计高频子带中小波系数的绝对值大于某一阈值的系数个数，该个数可以反映起毛起球的数量。系数个数越多，起毛起球数量可能越多。还计算了小波系数的方差，方差可以反映小波系数的离散程度，间接反映起毛起球的分布均匀性。方差越大，起毛起球的分布越不均匀。通过对这些特征参数的提取和分析，全面地获取了织物起毛起球的特征信息，为建立客观评定模型提供了数据支持。5.3数据统计与分析方法5.3.1建立客观评定模型采用统计分析和机器学习等方法建立织物起毛起球客观评定模型。运用统计分析方法，对提取的特征参数进行相关性分析，找出与织物起毛起球程度相关性较高的特征参数。通过计算皮尔逊相关系数，发现高频子带能量、高频子带中小波系数绝对值大于阈值的系数个数与起毛起球程度的相关性较高。以这些相关性较高的特征参数作为输入变量，织物起毛起球等级作为输出变量，建立线性回归模型。线性回归模型的表达式为y=\beta_0+\beta_1x_1+\beta_2x_2+\cdots+\beta_nx_n+\epsilon，其中y为织物起毛起球等级，x_1,x_2,\cdots,x_n为特征参数，\beta_0,\beta_1,\beta_2,\cdots,\beta_n为回归系数，\epsilon为误差项。利用最小二乘法估计回归系数，使模型能够较好地拟合数据。采用机器学习方法，如支持向量机（SVM）、随机森林等，对织物起毛起球数据进行建模。以SVM为例，首先对特征参数进行归一化处理，将其映射到[0,1]区间，以消除不同特征参数之间的量纲差异。选择合适的核函数，如径向基函数（RBF），通过调整核函数的参数和惩罚参数C，对SVM模型进行训练和优化。利用交叉验证方法，将数据集划分为训练集和验证集，在训练集上训练模型，在验证集上评估模型的性能，通过多次调整参数，使模型在验证集上的性能达到最优。随机森林模型则是通过构建多个决策树，对这些决策树的预测结果进行综合，得到最终的预测结果。在构建随机森林时，需要确定决策树的数量、特征选择方法等参数，同样通过交叉验证进行参数调优。5.3.2模型验证与评估指标利用测试集对建立的客观评定模型进行验证。将实验数据分为训练集和测试集，其中训练集用于模型的训练和参数调整，测试集用于评估模型的性能。在划分数据集时，采用分层抽样的方法，确保训练集和测试集中不同起毛起球等级的织物样本比例相近，以保证模型验证的有效性。运用准确率、召回率、F1值等指标对模型的性能进行评估。准确率是指模型预测正确的样本数占总样本数的比例，计算公式为Accuracy=\frac{TP+TN}{TP+TN+FP+FN}，其中TP为真正例，即模型正确预测为正类的样本数；TN为真反例，即模型正确预测为反类的样本数；FP为假正例，即模型错误预测为正类的样本数；FN为假反例，即模型错误预测为反类的样本数。召回率是指真正例样本中被模型正确预测的比例，计算公式为Recall=\frac{TP}{TP+FN}。F1值是综合考虑准确率和召回率的指标，其计算公式为F1=\frac{2\timesAccuracy\timesRecall}{Accuracy+Recall}。在本实验中，将织物起毛起球等级划分为不同的类别，通过计算模型在测试集上对不同类别预测的准确率、召回率和F1值，全面评估模型的性能。还绘制了受试者工作特征曲线（ROC曲线）和精确率-召回率曲线（PR曲线），进一步直观地评估模型的性能。ROC曲线以假正率（FPR）为横坐标，真正率（TPR）为纵坐标，曲线越靠近左上角，说明模型的性能越好；PR曲线以召回率为横坐标，精确率为纵坐标，曲线下面积越大，表明模型性能越优。通过这些评估指标和曲线，能够准确地评估基于小波分析的织物起毛起球客观评定模型的性能，为模型的改进和优化提供依据。六、结果与讨论6.1实验结果展示经过一系列严谨的实验操作，对不同类型织物进行起毛起球处理、图像采集与预处理、小波分析及特征提取后，得到了丰富的实验数据。以纯棉织物、纯羊毛织物、纯涤纶织物、涤棉混纺织物以及腈纶织物这几类典型织物为例，呈现其起球特征数据和客观评定结果如下：织物类型高频子带能量高频子带中小波系数绝对值大于阈值的系数个数起球等级（客观评定）纯棉织物[具体能量值1][具体个数1][X]级纯羊毛织物[具体能量值2][具体个数2][X]级纯涤纶织物[具体能量值3][具体个数3][X]级涤棉混纺织物[具体能量值4][具体个数4][X]级腈纶织物[具体能量值5][具体个数5][X]级从高频子带能量来看，纯涤纶织物的高频子带能量相对较高，表明其起毛起球现象较为严重；而纯棉织物的高频子带能量相对较低，起毛起球程度相对较轻。在高频子带中小波系数绝对值大于阈值的系数个数方面，纯羊毛织物的该系数个数较多，反映出其起球数量可能相对较多；腈纶织物的该系数个数较少，起球数量相对较少。通过客观评定模型得到的起球等级，也与上述特征数据所反映的起毛起球程度基本相符。这些结果初步展示了基于小波分析提取的特征参数与织物起毛起球程度之间的关联，为进一步分析和讨论提供了数据基础。6.2与传统评定方法对比分析将基于小波分析的客观评定结果与传统的主观评定结果进行对比，发现两者之间存在一定的差异。在对部分织物样品的评定中，主观评定的起球等级与客观评定的起球等级不完全一致。经过深入分析，造成这些差异的原因主要包括以下几个方面：主观评定受评定人员的主观因素影响较大，不同评定人员对起毛起球程度的判断标准存在差异，即使是同一评定人员，在不同时间、不同状态下进行评定，也可能得出不同的结果。在对一块起毛起球程度中等的织物进行评定时，评定人员A认为其起球等级为3级，而评定人员B则认为是2级。主观评定主要依赖于评定人员的视觉观察，对于一些细微的起毛起球特征，可能无法准确识别和判断。而基于小波分析的客观评定方法，通过对织物起毛起球图像的精确分析，能够提取出更全面、准确的特征信息，从而更客观地反映起毛起球程度。在某些情况下，织物表面存在一些微小的起球，肉眼难以察觉，但通过小波分析可以检测到这些微小起球所对应的高频信号，从而更准确地评定起毛起球等级。主观评定方法缺乏量化的评定标准，难以对起毛起球程度进行精确的定量描述；而客观评定方法通过建立数学模型，能够将起毛起球程度量化为具体的数值或等级，具有更高的准确性和可靠性。虽然客观评定方法在准确性和可靠性方面具有优势，但在实际应用中，也不能完全忽视主观评定方法的作用。主观评定方法在一定程度上能够反映消费者对织物起毛起球的直观感受，在产品开发和质量控制中，可将主观评定与客观评定相结合，相互补充，以提高评定结果的科学性和实用性。6.3影响评定准确性的因素探讨织物特性对评定结果有着显著的影响。不同纤维种类的织物，由于其纤维的物理和化学性质不同，起毛起球的机理和程度也存在差异。天然纤维织物和化学纤维织物在起毛起球过程中表现出不同的特征，天然纤维织物如棉织物，起毛起球主要是由于纤维的断裂和纠缠；而化学纤维织物如涤纶织物，起毛起球则与纤维的强度和表面特性密切相关。纱线结构和织物结构也会影响评定准确性，纱线捻度、织物密度等因素都会改变织物表面的摩擦性能和纤维的滑移情况，进而影响起毛起球程度。高捻度纱线织物相对低捻度纱线织物更不易起毛起球，因为高捻度使纤维间抱合紧密，减少了纤维的滑移和抽出。图像采集质量也是影响评定准确性的重要因素。在图像采集过程中，光照条件的不均匀会导致图像亮度不一致，从而影响对起毛起球特征的准确识别。如果光照在织物表面形成阴影或反光，可能会掩盖部分起毛起球信息，或者产生虚假的起球特征，导致评定结果出现偏差。相机的分辨率和镜头的畸变也会对图像质量产生影响，低分辨率的相机可能无法捕捉到织物起毛起球的细微特征，而镜头畸变则会使图像中的起球形状和大小发生变形，影响特征提取和分析的准确性。小波参数选择对评定结果同样至关重要。不同的小波基函数具有不同的时频特性和局部化能力，选择不合适的小波基可能无法准确提取织物起毛起球的特征信息。在选择小波基时，需要充分考虑织物起毛起球信号的特点和频率分布，选择能够最佳匹配信号特征的小波基。分解层数的确定也需要谨慎，分解层数过少，可能无法充分揭示信号的细节特征；分解层数过多，则可能引入过多的噪声和冗余信息，降低评定的准确性。在确定分解层数时，需要通过实验和分析，找到能够平衡