随着人们生活品质的提高,对服装织物的抗皱性品质要求越来越高。传统织物折皱等级分类一般都是靠人的主观观察来得出结论,虽然经验丰富的专业人员的观察结果有很大的可靠性,但人的疲劳和主观思想会对判断结果产生很大的影响。针对此问题,提出一种基于极限学习机的织物折皱性分类模型,该模型使用由织物图像获取的纹理特征和折皱等级作为输入和输出来训练预测模型,提高了折皱等级的预测精度和自动化预测水平。本文的研究对象是裁剪并起皱完成的纯色织物,是对织物抗皱性方面的研究。主要工作和创新成果如下:(1)提出了能有效避免陷入局部最优用于多分类的基于改进极限学习机的分类模型结构。为了提高模型分类的精度,用正余弦算法对分类模型的输入权重和隐层偏置进行优化,为了提高模型的收敛速度,采用差分进化来初始化正余弦算法的初始种群。(2)依据织物折皱等级分类的相关研究和标准,本文提出模拟人们实际工作环境下的胳膊起皱方法,将织物样本进行起皱采集,并依据专家主观决策采集到1到5级不同等级的折皱样本。(3)根据图像处理方法,本文提取了 300dpi图像的折皱密度,灰度共生矩阵,小波参数标准差和数据融合特征四种图像特征,并结合专家主观等级评价得到的等级结果建立完整的折皱等级数据集。(4)对于提出的分类模型的分类效果,本文在精度方面对比了其他11种分类算法,实验表明,本文提出的模型在分类精度上可达94.17%,其他种类算法的最低分类精度仅为44.45%,最高精度为91.67%,分类精度明显提高。在箱线图的稳定性能分析上本文提出的算法不存在异常点,而其他对比算法有存在异常点。在优化算法收敛速度比较方面,本文提出的算法迭代收敛速度也是最快的。在Wilcoxon秩和检验的显著性分析方面,与本文算法比较分析h为1,提出的算法具有很好的显著性。