织物在穿着和洗涤护理的过程中,由于揉搓、挤压、拧绞、扭曲等外力而产生折痕或皱纹的现象称为起皱,抵抗起皱变形的能力称为织物的抗皱性。抗皱性不仅是织物的基本服用性能,也是影响服装外观的重要性能。因此对织物抗皱性进行客观、准确地测试和评价就显得异常重要。然而现有的织物抗皱性测试方法存在诸多问题,测试过程中织物所处的状态、受力方向、发生的变形等与实际着装时的情况差异甚大,致使现有的测试方法不能真实评价织物做成服装后实际穿着过程中的抗皱能力。针对这一现状,本文提出一种模拟实际着装的织物抗皱性测试新方法,构建了模拟装置,并利用图像处理技术对模拟装置产生的折皱进行了分析,提取了折皱密度、灰度共生矩阵以及小波特征参数,进而基于信息融合技术,将这些指标融合成一个综合折皱指标,最后利用这些特征对织物折皱等级进行了聚类研究,并利用神经网络技术对折皱等级进行了分类识别,研究内容及研究结果如下:1)构建的织物折皱模拟装置产生的折皱,无论在外观形态上,还是在专家主观评价结果上(包括起皱程度的排序、评分以及折皱等级)都与实际着装产生的折皱具有良好的一致性;且模拟装置的测试稳定性比现有的折皱回复角法更好。2)针对折皱回复角测试时只考虑织物经纬向所带来的片面性,提出应该增加45°折皱回复角的测试,以提高检测结果与实际着装的吻合度,并建立了折皱密度与不同方向折皱回复角的模型,根据此模型可由折皱回复角预测实际着装时服装的起皱程度,无需经过工作量巨大的服装制作及实际着装实验。3)利用图像处理技术,对模拟装置产生的折皱进行了特征提取与纹理分析,并将这些纹理特征与折皱回复角和专家主观评分结果进行了对比,研究表明:织物折皱灰度图像经Sobel边缘检测提取的折皱密度与专家视觉评分之间存在较好的一致性,且斜向折皱回复性与折皱密度之间相关性显著;越平整的织物,灰度共生矩阵的能量和相关性越大,熵和惯性矩越小,与织物折皱程度相关性由大到小依次是:熵、能量、相关性和惯性矩;折皱越严重的织物经小波分解后的三个方向(水平、垂直、斜向)的细节系数标准差越大,且水平方向的细节系数标准差明显大于垂直和斜向标准差。折皱密度、灰度共生矩阵和小波分析都表明:织物经向折皱回复角对实际着装时抗皱能力的贡献率大于纬向。4)利用信息融合技术,将折皱密度(WD),灰度共生矩阵中4个方向的熵值之和(Entropy),小波分解1层时的水平细节系数标准差(SH1)这三项指标进行数据融合,得到了织物综合折皱指标(CWI),研究结果表明这一综合指标比三项单一指标能更客观、更全面地评价织物折皱。5)分别以WD,Entropy,SH1三项指标和以CWI这一综合指标为特征,对织物折皱等级进行了三种方法的聚类分析,研究表明:从指标选取来看,进行k-均值聚类以及自组织特征映射(SOM)网络聚类时,用CWI为特征的聚类结果好于以三项单独指标为特征,说明CWI比这三项单一指标对织物折皱的表征更符合视觉观察的结果;从聚类方法来看,SOM神经网络的聚类结果与主观评价结果的一致性好于系统聚类和k-均值聚类。6)以WD,Entropy,SH1以及CWI为特征,分别利用LVQ和PNN神经网络对织物折皱等级进行了分类识别,结果表明:特征向量中增加CWI可以使LVQ和PNN神经网络的预测准确率有不同程度的提高;且将LVQ与PNN串联后组成的LVQ-PNN混合神经网络比单一的LVQ和PNN神经网络的识别率有较显著的提高。本文提出的模拟实际着装的织物抗皱性测试方法在一定程度上弥补了现有测试方法的不足,可有效提高测试结果与实际着装时折皱情况的吻合度,同时也为纺织品检验领域提供了新手段,还可以根据测试结果指导面料设计,减少服装加工中面料的错误使用带来的浪费;同时,本文基于图像处理和模式识别技术,实现织物抗皱能力的客观评定和自动识别,符合当前信息化发展的趋势和方向,有助于促进计算机在线检测技术的发展和实现。