BAKALÁŘSKÁ PRÁCE

(1)

TECHNICKÁ UNIVERZITA V LIBERCI

Fakulta textilní

BAKALÁŘSKÁ PRÁCE

2001 Hana Klimešová

(2)

TECHNICKÁ UNIVERZITA V LIBERCI

Fakulta textilní

BAKALÁŘSKÁ PRÁCE Hana Klimešová

2001

(3)

TECHNICKÁ UNIVERZITA V LIBERCI

Fakulta textilní

Obor: 3113-T

Technologie a řízení oděvní výroby

Katedra oděvnictví

Hodnocení žmolkovitosti pomocí obrazové analýzy LUCIA Evaluation of the pilling effect with use of the image analysis LUCIA

Hana Klimešová KO – 036 Školní rok 2000/2001

Vedoucí práce: Dr.Ing. Zdeněk Kůs

Počet stran: 64 Počet obrázků: 35 Počet tabulek: 11 Počet grafů: 2 Počet příloh: 5

(4)

Anotace

Žmolkovitost patří mezi nežádoucí vlastnosti oděvních materiálů.

Tématem této bakalářské práce je hodnocení žmolkovitosti pomocí obrazové analýzy LUCIA. Následné porovnání objektivního a subjektivního hodnocení.

Annotation

Pilling effect is one of the undesirable features of the textile materials.

The subject of this thesis is evaluation of the pilling effect with use of the image analysis LUCIA. Followed by comparison of the objective and subjective evaluation.

(5)

Místopřísežné prohlášení:

„Místopřísežně prohlašuji, že jsem bakalářskou práci vypracovala samostatně s použitím uvedené literatury.“

V Liberci, 24. května 2001 ………...

(6)

Poděkování:

Touto cestou bych chtěla poděkovat panu Dr. Ing. Zdeňkovi Kůsovi za odborné vedení a cenné rady při vypracování bakalářské práce.

(7)

Obsah

Obsah………..………...1

Použité symboly a zkratky……….2

I. Úvod………...………3

II. Teoretická část………..4

1. Mechanismus tvorby žmolku……….…4

2. Vlivy působící na tvorbu žmolku……….…..……8

2.1. Tření vláken………8

2.2. Tvar průřezu vláken………9

2.3. Pružnost a tuhost vláken………...10

2.4. Délka a jemnost vláken……….……11

2.5. Pevnost………..…12

2.6. Zákrut příze………...………13

2.7. Konstrukce tkaniny………...………13

2.8. Finální úpravy………...………14

3. Způsoby snižování žmolkovitosti………16

4. Přístroje pro měření žmolkovitosti………..………17

5. Obrazová analýza……….………20

5.1. Obrazová analýza………..………20

5.2. Lucia G………..………20

5.2.1. Typy obrazu………...………20

5.2.2. Měření………21

5.2.3. Návrh měření……….……22

5.2.4. Tvorba makra……….……23

5.2.5. Tvorba makra pomocí příkazu History………..……24

III. Experimentální část………...…25

IV. Zpracování naměřených dat………..…34

V. Závěr………...…………64

VI. Literatura………..……….65

(8)

Použité symboly a zkratky

P ………. počet žmolků

n ………. počet cyklů žmolkovače m ……… hmotnost

µ ……… koeficient tření ba ………... bavlna vl ……… vlna PES ……… polyester PAD ………... polyamid

f_x………. intenzitní hustota pravděpodobnosti µ,σ,θ ………... parametry lognormálního rozdělení

µ,θ ………... odhady parametrů lognormálního rozdělení X_0,5, med ………. medián

X_M……….. modus

n ……….. počet naměřených hodnot xi ………. náhodná veličina

(9)

I. ÚVOD

Žmolkovitost tkanin a pletenin je nepříjemná vlastnost, která zhoršuje především vzhled finálního výrobku.

Stále větším pronikáním chemických vláken do spotřebního průmyslu je nutné sledovat jejich chování ve výrobcích. Žmolky ze syntetických vláken, na rozdíl od žmolků z přírodních vláken, po dlouhou dobu zůstávají na povrchu materiálu a proto jsou závažným nedostatkem.

Dalším důležitým prvkem je velikost a počet žmolků. Bylo zjištěno, že nejhůře působí textilie s vysokým počtem žmolků v celé škále velikostí, dále textilie s velkými žmolky a „nejlépe“ na tom byla textilie ač s velkým počtem žmolků, ale malé velikosti.

Cílem této bakalářské práce je provést objektivní a subjektivní hodnocení žmolkovitosti.

Objektivní hodnocení je provedeno pomocí obrazové analýzy Lucia, která nachází široké uplatnění v mnoho oborech.

Subjektivní hodnocení je provedeno standartní metodikou prostřednictvím na sobě nezávislých hodnotitelů, jelikož hledisko uživatele patří mezi nejdůležitější.

(10)

II. TEORETICKÁ ČÁST

1. Mechanismus tvorby žmolku

Žmolkovitost patří mezi užitné vlastnosti. Řadí se mezi negativní vlastnosti, které zhoršují vzhled textilie. Žmolkovitost se nazývá schopnost materiálu vytvářet na povrchu tkaniny žmolky. Žmolkem se rozumí malý spletený shluk odstávajících vláken.

Tento spletený shluk odstávajících vláken vzniká v důsledku tření v procesu nošení výrobku. Tkanina je na povrchu pokryta konečky vláken, která vlivem své vysoké tuhosti v ohybu migrují na povrch příze. Vlivem odírání tyto vyčnívající vlákna mohou vytvořit uzlík, popř. nopek, který může zapříčinit spojení dvou takovýchto sousedících vláken a vytvořit uzel, který započne proces tvorby žmolku, čili žmolkování.

Proces žmolkování prochází třemi základními stádii:

I. Proces chlupacení povrchu zapříčiněný postupným vytahováním volných konců vláken na povrch textilie nebo přetrhem některých vláken

II. Zapletením volných konců vláken a vznik žmolků

III. Oděr a odpadnutí žmolku v důsledku komplexního působení faktoru

L. Hoffmann [1] celý proces vytváření žmolků rozdělil na 6 etap (viz. obr. 1):

I. stadium a) vznik chlupacení povrchu II. stadium b) nahromadění konců vláken

c) zakroucení vrchní části konců vláken

d) zakroucení vláken na delším úseku a vznik načechraného žmolku e) zhuštění žmolku

III. stadium f) odtrh žmolku z povrchu

(11)

Obr.1. Proces vytváření žmolků podle L. Hoffmanna [1]

Nejpodrobnější rozdělení provedla T. S. Luckaja [2], která celý proces vytváření žmolků rozdělila do osmi etap:

I. stadium 1. vznik chlupacení povrchu II. stadium 2. vznik nahromadění vláken 3. vytváření malého žmolku

4. vytváření načechraného velkého žmolku 5. zhuštění krčku žmolku

6. vytváření zhuštěného žmolku s dlouhým krčkem 7. zhuštění krčku žmolku

III. stadium 8. odtrh žmolku

(12)

Životnost žmolku je časově omezena, a tím i celý proces žmolkování. Na obr. 2 je znázorněna závislost počtu žmolků na počtu cyklů žmolkovače. Na vodorovné ose je vynášen počet cyklů žmolkovacího přístroje, na svislé ose je počet žmolků.

Obr. 2. Závislost počtu žmolků P na počtu cyklů žmolkovače n [3]

(13)

Na obr. 3 je vidět, že vzrůst počtu žmolků je omezen. Nabude určitého maxima a poté se počet žmolků začne snižovat. Je to způsobeno tím, že jsou z příze vytažena všechna vlákna podléhající migraci a tím, že pevná vlákna podlehla torzním silám, které vznikají při svinování a cyklickém namáhání vlákna na ohyb.

Ulomený žmolek z povrchu tkaniny odpadne, ale může nastat případ, kdy odlomený žmolek je na povrchu tkaniny zachycen a způsobí tak vznik nových žmolků obr. 3.

Obr. 3. Závislost počtu žmolků P na počtu cyklů žmolkovače n [3]

(14)

2. Vlivy působící na tvorbu žmolku

Vlivů působících na tvorbu žmolků je celá řada. Patří sem vlastnosti vláken (délka, tvar průřezu, tuhost, pevnost), vlastnosti příze (chlupatost, hustota, stupeň migrace vláken na povrch příze), až po vlastnosti tkanin (dostava, vazba).

Mezi vlastnosti vláken podporující tvorbu žmolků patří:

- vysoká pevnost a tažnost vláken - pevnost v ohybu

- hladkost

- měkkost a ohebnost vláken - vysoká odolnost v oděru

Tvorbu žmolků snižuje:

- malá pevnost a tažnost vláken - nízká odolnost v oděru a ohybu - tuhost a drsnost vláken

2.1. Tření vláken

Tření je příčinou soudržnosti dvou povrchů. Je to odpor proti pohybu dvou povrchů těles. Čím vyšší je koeficient tření, tem je vyšší soudržnost vláken. Z toho vyplývá snížení schopnosti migrace volných konců vláken na povrch textilie.

Působením tření může dojít k přetrhu vláken, budou-li vlákna méně pevná než je působící třecí síla. Volné konce začnou migrovat na povrch textilie, což vede ke zvýšení žmolkovitosti.

Třecí síla musí být vysoká, ale zároveň nižší než je pevnost vláken (obr. 4) [3].

(15)

Obr. 4. Závislost počtu žmolků P na koeficientu tření µ [3]

2.2. Tvar průřezu vláken

Průřez vlákna souvisí s výše uvedeným třením. Při sledování rozdílných tvarů průřezu vidíme, že vlákna s členitějším povrchem vykazují větší soudržnost a mají nižší sklon ke žmolkování. Naopak vlákna kruhového průřezu mají nízký koeficient tření, a tím se zvýší schopnost materiálů se žmolkovat (obr. 5).

(16)

Obr. 5. Vliv tvaru průřezu vlákna na žmolkovitost [8]

P….. počet žmolků

n ….. počet cyklů žmolkovače

2.3. Pružnost a tuhost vláken

Vlákna se zvýšeným modulem pružnosti a tuhosti mají větší odpor k různým deformacím, mezi které patří i žmolkovitost. Vlákna tuhá a pružná jsou i vysoce pevná, a to napomáhá k udržení se žmolků na povrchu tkaniny. Z toho plyne → konce tužších a pružnějších vláken mají větší sklon k migraci na povrch příze, kterou se zvětšuje

chlupatost a následně žmolkovitost. Na druhé straně mají větší odpor k vzájemnému zaplétáí, čímž se žmolkovitost zmenšuje.

2.4. Délka a jemnost vláken

(17)

Délka i jemnost vláken souvisí s jejich migrací na povrch textilie. Dlouhá vlákna se nachází uprostřed příze a krátká vlákna putují na její povrch a mohou se podílet na tvorbě žmolků.

Jemná vlákna se koncentrují uprostřed příze, ale vlákna s nižší pevností na povrchu.

Žmolkovitost nám tedy snižují vlákna dlouhá a jemná (obr. 6,7).

Obr. 6. Vliv délky vláken na žmolkovitost [4]

(18)

Obr. 7. Vliv jemnosti vláken na žmolkovitost [4]

2.5. Pevnost

Pevnost u žmolkovitosti charakterizuje udržení se žmolku na povrchu textilie.

Při oděru vlákna s nižší pevností žmolky opadávají.

Obr. 8. Žmolkovitost vláken [3]

2.6. Zákrut příze

(19)

Zakrucováním příze se zvyšuje upevnění vláken. Sníží se počet vystupujících konců vláken na povrch a tím i sklon ke žmolkování. Vyšším zákrutem se zvyšuje i tuhost příze.

2.7. Konstrukce tkaniny

Vazba (viz. obr. 9) a hustota tkaniny ovlivňuje žmolkovitost. Tkaniny s hustším počtem vazných bodů a vysokou dostavou mají nižší sklon ke žmolkování. Jejich těsné uspořádání znemožňuje snadnější vytahování vláken na povrch.

Obr. 9. Vliv vazby na žmolkovitost [3]

2.8. Finální úpravy

(20)

Mezi finální úpravy patří:

- termofixace – snižuje sklon k žmolkování tím, že zakotvuje vlákna do tkaniny

- postřihování – odstřihnutím volných konečků syntetických vláken, které jsou centrem pro vznik žmolků

- požehováním – odtavuje volné vyčnívající konce syntetických vláken. Je vhodné pro tenčí (jemnější) vlákna. Když jsou vlákna silnější, dochází k zhoršení omaku

natavenými kuličkami z konců termoplastických vláken.

Obr. 10. Snížení žmolkovitosti textilie po opalování a postřihování [3]

a) bez opalování a postřihování b) po opalování a postřihování

Tab. I. Hodnocení stupně žmolkovitosti

(21)

Počet žmolků / 25 cm²

Počet cyklů žmolkovače Před termofixací Po termofixaci

300 13 11

500 16 14

1000 19 15

2000 23 16

3000 30 17

5000 13 12

3. Způsoby snižování žmolkovitosti

(22)

Existuje několik způsobů, jak snížit nikoli však odstranit žmolkovitost.

Jsou to modifikace [5]:

1. Chemické – proces přípravy polymeru (všechny způsoby vedou ke snížení relativní molekulové hmotnosti – kratší makromolekula ⇒ nižší tuhost vlákna

⇒ nižší chlupacení)

2. Fyzikální – při zvlákňovacím procesu (profilová vlákna) 3. Technologické spojovací procesy – předení, tkaní, pletení 4. Úpravárenské – finální úpravy

4. Přístroje pro měření žmolkovitosti

(23)

Všechny druhy žmolkovačů můžeme rozdělit do 3 skupin:

a) Žmolkovače se dvěma stupni odírání

- zde se zkoušený vzorek 1 předkartáčuje PAD kotoučem 2 do 1000 otáček a dále se již odírá stejnou tkaninou 3 (obr.11)

Obr. 11. Žmolkovač se dvěma stupni odírání [3]

1 – vzorek materiálu, 2 – PAD kotouč, 3 – vzorek materiálu (stejný jako 1)

b) Žmolkovače s jedním stupněm odírání

- sem patří Rotapil – navržený ve Výzkumném ústavu vlnařském v Brně. Odírá se tu vzorek tkaniny o stejnou tkaninu za přítlaku 25 * 10⁴ Pa/m². Spodní kruhová čelist 1 přístroje, kde je textilie upnuta na vzduchovém polštáři 3, je otočná a vykonává

krouživý pohyb. Horní čelist 2, na které je upnutý vzorek stejné textilie, je horizontálně pevná. Je zatížena hmotností m, aby se na dosedací ploše vytvořil měrný tlak a slouží po odklopení pro odčítání počtu žmolků na ploše 25 cm² (obr. 12).

(24)

Obr. 12. Žmolkovač s jedním stupněm odírání

1 - spodní čelist, 2 - horní čelist, 3 - vzduchový polštář, 4 - textilie, m - hmotnost nutná k zatížení

Vyhodnocování se provádí po 100, 200, 400, 1000 otáčkách a dále po každých 1000 až do 6 000 otáček a pak po každých 2000 až do 10 000 otáček. Mimo počtu žmolků se hodnotí i jejich velikost podle ČSN 80 08 39 (tab.II., III). [6]

Tab. II. Hodnocení stupně žmolkovitosti

Stupeň žmolkovitosti Počet žmolků / 25 cm²

5 0 –2

4,5 3 – 9

4 10 – 18

3,5 19 – 27

3 28 – 36

2,5 37 – 45

2 45 – 54

1,5 55 – 63

1 více než 65

(25)

Tab. III. Označení velikosti žmolků

Označení žmolků Rozměr žmolků (mm)

a do 0,5

b nad 0,5 do 2

c nad 2

c) Žmolkovače s nepravidelným pohybem odíraného vzorku

- do této skupiny můžeme zařadit žmolkovací přístroj (viz. obr. 13). Podstatou této zkoušky je otírání vzorků 4 se zpevněnými okraji současně s malým množstvím bavlněných vláken o stěny komory pomocí rotujících lopatek 3. Stěny válcové komory jsou vyložené korkem 2. Vyhodnocení se provádí podle fotografických etalonů po stanovených časových intervalech podle normy ČSN 80 08 38 [7].

Obr. 13. Žmolkovač s nepravidelným pohybem odíraného vzorku Žmoltex 1 – válcová komora, 2 – korek, 3 – lopatkové rameno, 4 – vzorek

5. Obrazová analýza

(26)

5.1. Obrazová analýza

Obrazová analýza nachází široké uplatnění v mnoha oborech přírodovědných, fyzikálních, medicínských a textilních. Její uplatnění se neustále rozrůstá.

Pojem „obraz“ je chápán jako fyziologický zrakový vjem. Analýza obrazu se zabývá takovými obrazy, které mají nějaký vztah ke struktuře hmoty. Jedná se o interdisciplinární obor, často se ztotožňující s úlohou klasifikace. Analýzu obrazu je třeba vidět v souvislosti s oborem, ve kterém je aplikována. A to především na začátku při pořizování a snímání preparátu a na konci při interpretaci naměřených obrazových dat.

Tato práce se zabývá jednou z mnoha aplikací, a to měřením žmolkovitosti prostřednictvím systému obrazové analýzy LUCIA. Obrazová analýza pro tuto charakteristiku může poskytnout hned několik parametrů najednou, a to jak velikost žmolků, počet žmolků, tak i četnostní histogram velikosti žmolků.

5.2. Lucia G

Lucia G je systém firmy Laboratory Imaging s.r.o. Je to softwarový systém pro zpracování a analýzu barevného nebo černobílého obrazu. Digitalizované barevné obrazy mají barevné rozlišení „TrueColor“ tj. 3x8 bitů. Lucia G pracuje až po nainstalování operačního systému MS Windows 3.1. [9]

5.2.1. TYPY OBRAZU

Typické rozlišení pro systém Lucia G je 752 x 548 pixelů. Lucia G zpracovává obrazy jejichž hloubka je 24 bitů. Rozlišuje dva základní typy obrazů – binární a barevný obraz, šedé obrazy jsou odvozené. [9]

Binární obrazy

(27)

Binární obrazy mají dvě možné hodnoty, 0 pro pozadí a 1 pro objekty a

struktury. Tvoří se funkcí TRESHOLD a často se o nich mluví jako o segmentovaných obrazech a to zejména v případě, kdy se zdůrazňuje jejich vazba na původní barevný obraz, ze kterého vznikly segmentace. Používají se pro měření tvaru a velikostí. [9]

Barevné obrazy

Barevné obrazy se skládají ze tří složek RGB, které představují intenzitu

červené, zelené a modré složky. Hodnoty pixelů pro každou složku jsou v intervalu od 0 do 255. Pro systém Lucia je to nejpřirozenější typ obrazu, sejmutý digitalizační kartou.

Ke zpracování barevného obrazu se často používá pouze intenzivní složka. Odstín a sytost zůstávají stejné.[9]

Šedé obrazy

Hodnoty pixelů se mění od 0 do 255, ale jsou v každém pixelu identické pro všechny tři složky. Šedé obrazy nejsou vlastní systému Lucia, ale mohou se vytvářet několika transformacemi. Jsou speciálním případem barevných obrazů, na které se odvolává manuál obrazové analýzy LUCIA jako na obrazy barevné. [9]

5.2.2. MĚŘENÍ

Měření je nejdůležitějším úkolem obrazové analýzy. Začíná kalibrací systému Lucia, následuje kvantitativní vyhodnocení obrazu (volba vhodné statistiky – texturální nebo objektová, výběr příznaků, definování měřícího rámu, masky a obrazů, které mají být zahrnuty do měření) a končí vyhodnocením a prezentací dat. [9]

Kalibrace

Kalibrace má klíčový význam pro měření. Přiřazuje objektům jejich reálný rozměr. Při měření používá Lucia aktuální kalibraci, tzn. Kalibraci, která je zobrazena v položce CALIBRATION… v menu MEASURE. Tato položka umožňuje změnit aktuální kalibraci.[9]

(28)

Objektová a texturální měření

Před samotným měřením se musíme rozhodnout, jestli nás bude zajímat textura (field, pole) nebo objekt.

Lucia rozlišuje dva druhy měření: - měření vztažené k textuře (texturální měření) - měření vztažené k objektu (objektové měření)

Objektové měření provádí Lucia příkazem SCAN OBJECT v menu MEASURE.

Výsledkem jsou hodnoty veličin (příznaků) jednotlivých objektů.

Texturální měření provádí Lucia příkazem FIELD v menu MEASURE.

Výsledkem jsou hodnoty veličin (příznaků) v jednotlivých polích (texturách).

Výběrem polí v okně FIELDS a položkou OBJECT DATA… v menu MEASURE definujeme prostor, ve kterém budou provedeny výpočty základních statistických veličin pro objekty.

Výběrem polí v okně FIELDS, položka FIELD DATA… v menu MEASURE, pak definujeme prostor, ve kterém budou provedeny výpočty základních statistických veličin pro textury. [9]

Měřící rám

Měřící rám se řadí mezi důležité parametry měření. Má odlišný význam pro objektové a texturální měření.

Pro objektové měřemí jsou částice, které se dotýkají levého nebo spodního okraje měřícího rámu vyloučeny ze statistiky, zatímco částice, které se dotýkají horního a pravého okraje, jsou zahrnuty.

V případě texturálního měření definuje měřící rám pravoúhlou oblast, kterou jsou omezena měření příznaků. Pro nastavení měřícího rámu, volíme položku MEASUREMENT FRAME… v menu MEASURE nebo stiskneme CTRL + F a napíšeme souřadnice levého horního a pravého spodního rohu, či nakreslíme obdélník pomocí myši. [9]

Obrazy zahrnuté v měření

(29)

Měření můžeme provádět na těchto typech obrazů:

- barevný obraz - binární obraz - obraz masky

Barevný obraz se používá například pro měření intenzity nebo typického odstínu (hue) barevného obrazu. Binární obraz se používá pro měření tvaru a velikosti (plocha, obvod). Obraz masky se používá, jestliže chceme měření zúžit na oblast, o které se někdy hovoří jako o oblasti měření. Oblast měření je definována jako průnik měřícího rámu a masky. [9]

Příznaky měření

Většina příznaků je definována jak pro objektová, tak i pro texturální měření, existují však některé výjimky. Například plošný podíl plochy může být přiřazen pouze textuře, to znamená, že jde o příznak texturálního měření. Na druhé straně Feretovy průměry mají rozumnou interpretaci pouze v případě objektového měření. [9]

5.2.4. TVORBA MAKRA

Makro můžeme vytvořit nahráváním po sobě jdoucích akcí, jeho editací v dialogovém okně MACRO, nebo modifikací příkazů, které jsme již povedli s použitím příkazu HISTORY.

1.Nahrávání makra

Nejrychlejší způsob, jak vytvořit makro je nahrání po sobě jdoucích příkazů. K tomu je třeba, spustit nahrávání příkazu volbou položky RECORD v menu MACRO a potom provést posloupnost akcí, které chceme zaznamenat. LUCIA zaznamenává všechny úkony, dokud nezměníme status položky RECORD v menu MACRO (konec nahrávání).[9]

(30)

Existuje ještě jeden způsob vytváření makra navržený zejména pro složitější aplikace a to přímé vytvoření. LUCIA obsahuje účinný prostředek k editaci maker. Mimo

známých příkazů jako COPY, PASTE, CUT, SAVE, PRINT, UNDO podporuje příkaz PASTE FUNCTION (ze seznamu všech dostupných funkcí), semt- automatickou proceduru pro tvorbu maker (INSERT FUNCTIONS z příkazu HISTORY) a on-line nápovědu s detailním popisem funkcí. Též tlačítko PASTE FUNCTION podporuje on- line nápovědu pro funkce vybrané v seznamu.

Tlačítko s červenou tečkou dialogové okno PASTE FUCTION LUCIA zobrazí dialogová okna pro vizuální výběr obrazu, objektivu, objektu či příznaku. Toto však platí pouze pro specifické funkce jako je např. ImageOopen, ImageSaveAs,

RestartMacro, atd. [9]

5.2.5. TVORBA MAKRA POMOCÍ PŘÍKAZU HISTORY

Makro můžeme vytvořit pomocí zaznamenané posloupnosti dříve provedených příkazů. Chceme-li vytvořit makro tímto způsobem je třeba zvolit v menu MACRO pokožku HISTORY. Objeví se dialogové okno HISTORY a stiskem tlačítka CREATE MACRO se zobrazí série dialogových oken „CREATE MACRO“. Touto cestou též můžeme přiřadit makro tlačítku panelu nástrojů. Při redefinici panelu nástrojů stiskneme tlačítko USE HISTORY…. Tuto proceduru můžeme též vyvolat

z dialogového okna pro editaci makra stiskem tlačítka INSERT FUNCTION FROM HISTORY. [9]

(31)

III. EXPERIMENTÁLNÍ ČÁST

Vzorky použité pro experiment jsou specifikovány v tabulce IV.

Vzorky byly ožmolkovány podle normy ČSN 80 0838 – Zjišťování odolnosti plošných textilií proti žmolkování na komorovém žmolkovacím přístroji. [7]

Parametry komorového žmolkovacího přístroje ŽMOLTEX ( umístěn na katedře textilních materiálů ).

Sestává se z šesti zkušebních komor o průměru 146 mm, hloubky 152 mm. V každé komoře jsou umístěny dvě lopatky o délce 120 mm. Počet otáček za minutu je 1 200.

Příkon přístroje je 220 V. Je vybaven časovým spínačem s možností nastavení maximálně 30 minut.

Tab. IV. Zkušební materiál

Číslo vzorku Složení Vazba

1 80/20 – vl/PADs Plátnová

2 38/46/16 – vl/PESs/PADh Plátnová

3 49/40/11 – PESs/vl/PESh Plátnová

4 35/42/23 – vl/PESs/PESh Keprová

5 55/45 – PES/vl střiž Plátnová

6 100 % viskoza Plátnová

Zvýrazněný vzorek se vyznačoval zvýšenou žmolkovitostí, a proto byl použit pro další analýzu.

Tab. V. Zkušební materiály z diplomové práce Šmerdové Moniky

Označení vzorku Složení Vazba

A 100 % ba Plátnová

B 100 % PES Keprová

C 36/42/22 – vl/PESs/PESh Plátnová

(32)

Zkušební vzorky:

Odběr laboratorních vzorků se provádí podle normy ČSN 80 0072 [10].

Připraví se 3 pracovní vzorky o rozměru 110 mm x 110 mm tak, aby úhlopříčka vzorku ležela ve směru osnovy. Vzorky se odebírají ve vzdálenosti minimálně 100 mm od pevných krajů textilie. Musí zahrnovat vždy jinou soustavu osnovních a útkových nití. Takto nastřižené vzorky se musí zajistit pře vytřepením obnitkováním.

Pomůcky a zařízení potřebné pro zkoušku:

korková deska, druh AT o tloušťce 1,5 – 2,5 mm, kterou se vyloží vnitřek válcové komory přístroje

bavlněný česaný pramen režný, surovinové skupiny M II, nařezaný na délku asi 5 mm, navážené množství = 25 mg.

3 – nitný obnitkovací stroj TEXTIMA

Časový režim zkoušky

Řídí se podle normy ČSN 80 0838 [7].

Tři zkušební vzorky současně s 25 mg bavlněných vláken se vloží do komory vyložené korkem. Žmolkuje se 120 minut. Po každých 30 minutách se vzorky vyjmou, lehce se oklepou, aby se odstranila volná vlákna a nečistoty, vyhodnotí a zpět vloží do předem vyčištěné komory spolu s bavlněnými vlákny.

Po 60 minutách se korkové obložení vyjme a znovu se jím komora vyloží tak, že se ke zkoušce použije vnější strana obložení.

Časový režim byl proveden na všech 6 vzorcích.

(33)

Tab. VI. Hodnocení žmolkovitosti pomocí etalonů

Vzorek č.1

30 min 60 min 90 min 120 min

žmolkovitost 2 1 1 1

rozvláknění 2 2 3 3

Vzorek č.2

Vzorek č.3

Vzorek č.4

Vzorek č.5

Vzorek č.6

(34)

Hodnocení

Hodnocení množství a velikosti žmolků na textilii byla provedena podle etalonů a pomocí obrazové analýzy LUCIA G.

Hodnocení žmolkovitosti za pomoci systému obrazové analýzy bylo provedeno dvěma způsoby:

1) V ploše

Materiál byl upevněn na umělohmotné destičce, tak aby nebyl zvlněný, ale vypnutý.

Tato metoda je omezena na materiály jednobarevné, které nemají výraznou strukturu vazby. Materiály s proužkem nebo kostkou nelze touto metodou hodnotit.

2) V hraně

Pro odečtení bylo zapotřebí speciálního držáku vidlicového tvaru (obr.14), na který se ovinutím připevní vzorek. Držák byl vyroben z vyhlazené kovové tyče kruhového průměru tak, aby bylo umožněno snadné posouvání vzorku (obr.15).[3]

Obr.14. Kovový držák

(35)

Obr.15. Připevnění vzorku na držák

Vzorky, které lze hodnotit v ploše byly hodnoceny také v hraně, aby bylo možné tyto dvě metody porovnat.

Vzorky, které byly žmolkovány na komorovém žmolkovacím přístroji ŽMOLTEX jsou kromě vzorku č.1 nevyhovující. Jsou to převážně proužkované, kostkované nebo jinak vzorované materiály a ty jak je uvedeno výše nelze hodnotit v ploše. Proto byly použity ožmolkované vzorky z diplomové práce M. Šmerdové + vzorek č.1.

Měřící aparatura je sestavena:Personální počítač (1) Zdroj osvětlení (2) TV kamera (3) Objektiv (4)

Pracovní vzorek (5a v hraně, 5b v ploše) Stojan (6)

Pracovní deska (7)

(36)

Obr.16. Schéma měřící aparatury

Personální počítač (1) s programem Lucia G (Laboratory Universal Computer Image Analyser) [9]. Obrazový procesor, který je součástí počítače má vlastní 1 MB obrazovou paměť. Elementární operace trvaní 40 ms. Systém je schopen uchovávat měkolik desítek obrazů v operační paměti. Programové vybavení je koncipováno klasicky trojúrovně: menu, povelový kód, knihovna. Systém je universální, nepreferuje terminologicky žádnou z aplikačních oblastí: živočišnou i rostlinnou biologii, medicínu, anorganické přírodní vědy, materiálový a technologický výzkum. Na segmentovaném obraze je možno měřit dle výběru až cca 25 kvantitativních parametrů jak částicově, tak i texturně orientovaných. Programový systém je otevřený, lze do něj snadno členit nové funkce i měření.

(37)

Postup vlastního měření

Postup měření počtu a především velikosti žmolku bude popsán podrobně.

Program obrazové analýzy Lucia G je nainstalován pod programem

WINDOWS. Jsou-li připravené vzorky, zapnuta kamera i osvětlení je možné začít se snímáním. Kliknutím na Lucia Version 4,51 on Lucia se nabídnou dvě verze Lucia.

Zvolit Lucia G. Po kliknutí na Lucia G se program otevře.

Snímání – digitalizace živého obrazu se umožní příkazem Snímání v hlavním menu Obraz. Nyní je potřeba zaostřit objektiv na preparát a do zaměřené měřící zóny vložit kalibrační mřížku o známém rozměru. Příkazem Sejmout se zachytí živý obraz a uloží se jako obraz aktuální.

Obr. 17. Zobrazení celého rozbalení menu Obraz

(38)

Nyní se přistoupí k postupu kalibrace, kdy jednomu pixelu se přiřadí reálný rozměr. Jednotlivé kroky kalibrace: 1) příkaz Nová kalibrace pod menu Měření 2) kliknout na ikonu Zadejte poměr stran pro objektiv 3) nakreslit vodorovné a horizontální čáry známé velikosti 4) vybrat nejvhodnější jednotku kalibrace pro dané měření 5) kliknout na ikonu Vyhledat

6) napsat název nové kalibrace a potvrdit – OK 7) zavřít Novou kalibraci

Dále se bude pracovat s nasnímaným živým obrazem. Nový živý obraz se snímá bez kalibrační mřížky a uloží se. Nastává průběh vlastního měření.

Příkaz Definice prahování podle RGB v menu Transformace se definují parametry pro segmentaci barevného obrazu. Je-li tento příkaz vybrán, je vyvolána funkce a zobrazí se dialogové okno Definice prahování (obr.16)

Obr. 18. Dialogové okno Definice prahování

Stisknutím tlačítka OK vyhovuje segmentace obrazu, Vynulovat smaže se segmentovaný obraz, generuje prázdný interval pro segmentaci. Zvolit vlastní segmentaci a pokud je vyhovující stisknout tlačítko OK.

V menu Úpravy – příkaz Editace binárního obrazu umožňuje editaci binárního obrazu.

V menu Binární – příkaz Otevření nastavit vyhovující matici, stisknout tlačítko OK.

(39)

Pod menu Měření příkazem Měřící rámeček… se označí velikost proměřované plochy, tj. nadefinování měřícího rámečku. Měřící rámeček se bude rovnat celé ploše vzorku. Dále v menu Měření – Změřit objekty v poli. Dalším úkolem je nadefinovat příkazy, které chceme měřit. Najdeme je pod menu Měření – Příznaky objektů. Ukáží se dvě tabulky: Příznaky → seznam všech příznaků, Vybraný pro měření: příznaky, které mají být měřeny. Ikonami Add

a Remove se jednotlivé příznaky přemísťují podle potřeby do správné tabulky.

V tomto případě zvolit Area (plocha, která je hlavním kritériem velikosti) a Perimeters.

Oba příkazy umístit v tabulce Vybraný pro měření. Potvrdit klávesou OK.

Menu Měření obsahuje příkazy pro naměření dat. Příkaz Pole provádí

automatické texturální měření. Dalším příkazem, který se nachází v menu Měření se zobrazí dialogové okno Výsledky měření objektů (obr. 19) obsahující statistická měření.

Označením Vybrat všechna pole se označí všechna naměřená data. Po proměření všech žmolků daného vzorku je potřeba celý soubor uložit příkazem Export pod libovolným jménem.

Obr. 19. Znázornění naměřených dat

(40)

IV. ZPRACOVÁNÍ NAMĚŘENÝCH DAT

1. Logaritmicko-normální rozdělení

Logaritmicko-normální rozdělení (zkráceně lognormální) je nejrozšířenější alternativou rozdělení pro jednostranně ohraničená data. Fyzikální veličiny (teplota, tlak, objem, plocha atd.) jsou buď kladné nebo mají přirozeně definovaný počátek.

Lognormální rozdělení je úzce spjato s logaritmickou transformací normálního rozdělení.

Toto rozdělení se používá všude tam, kde se měří nízké koncentrace, malé hmotnosti, malé délky a v tomto případě i malé plochy.

Hustota pravděpodobnosti lognormálního rozdělení:

fx = [ 1 / (x-θ) σ (2π)^1/2 ] exp [ - ( ln (x- θ) - µ)²/ 2σ² ] (1)

- kde µ,σ,θ patří mezi parametry lognormálního rozdělení µ……….střední hodnota

θ……….spodní mez dat = počátek σ……….směrodatná odchylka

Lognormální rozdělení může být:

- dvouparametrové - tříparametrové

Dvouparametrové rozdělení má náhodná veličina, která může nabývat pouze kladných hodnot, tj. leží v intervalu 0 < x <∞ , θ = 0.

Tříparametrové rozdělení má náhodná veličina, která může nabývat hodnot vyšších než je spodní mez θ, tj. leží v intervalu θ < x < ∞.

(41)

Odhady parametrů polohy:

Módus xM je definován jako lokální maximum na hustotě pravděpodobnosti.

XM = exp ( µ - σ² ) (2)

Výběrový medián x0,5 dělí výběr na dvě části, ve kterých se vyskytuje 50% prvků.

Medián je maximálním věrohodným odhadem lognormálního rozdělení.

X0,5 = med = exp ( µ ) (3)

Odhad parametru µ:

µ = ( 1/n ) Σ ln ( xi ) (4) n……….počet naměřených hodnot

x_i………náhodná veličina

Odhad parametru σ²:

σ²= ( 1/n ) Σ ( ln xi - µ )² (5)

(42)

Podle analýzy dat žmolkovitosti prostřednictvím statistického software

ADSTAT 2.0 bylo zjištěno, že optimální rozdělení pravděpodobnosti je lognormální, jak ukazuje protokol z výpočtu:

PRAVDĚPODOBNOSTNÍ MODELY

Odhad parametrů vybraných rozdělení

Název: Žmolkovitost - normální rozdělení (v ploše)

V S T U P

(1) PODMÍNKY:

Rozdělení : Normální Počátek v nule : Ne

Velikost výběru : 111

Jméno vstupního souboru : bs_m_n.txt

(2) VSTUPNÍ DATA

Cel matice editoru.

( 1) 2.4183E-01 ( 29) 8.2913E-01 ( 57) 1.7274E-01 ( 85) 2.0728E-01 ( 2) 4.8366E-01 ( 30) 1.7274E-01 ( 58) 4.1457E-01 ( 86) 1.7274E-01 ( 3) 3.4547E-01 ( 31) 2.7638E-01 ( 59) 3.1092E-01 ( 87) 3.1092E-01 ( 4) 1.3819E-01 ( 32) 2.4183E-01 ( 60) 5.8730E-01 ( 88) 7.6004E-01 ( 5) 7.9458E-01 ( 33) 1.7274E-01 ( 61) 3.1092E-01 ( 89) 2.0728E-01 ( 6) 3.4547E-01 ( 34) 2.4183E-01 ( 62) 5.5275E-01 ( 90) 2.0728E-01 ( 7) 2.4183E-01 ( 35) 1.7274E-01 ( 63) 4.8366E-01 ( 91) 3.1092E-01 ( 8) 1.1401E+00 ( 36) 6.2185E-01 ( 64) 2.4183E-01 ( 92) 2.0728E-01 ( 9) 2.7638E-01 ( 37) 2.7638E-01 ( 65) 1.3819E-01 ( 93) 2.0728E-01 ( 10) 4.8366E-01 ( 38) 1.7274E-01 ( 66) 6.9094E-01 ( 94) 6.5639E-01 ( 11) 2.4183E-01 ( 39) 4.8366E-01 ( 67) 2.0728E-01 ( 95) 1.7274E-01

(43)

( 12) 2.4183E-01 ( 40) 3.4547E-01 ( 68) 3.4547E-01 ( 96) 2.4183E-01 ( 13) 4.1457E-01 ( 41) 2.0728E-01 ( 69) 4.4911E-01 ( 97) 3.8002E-01 ( 14) 2.0728E-01 ( 42) 2.4183E-01 ( 70) 8.6368E-01 ( 98) 3.1092E-01 ( 15) 3.4547E-01 ( 43) 2.4183E-01 ( 71) 1.7274E-01 ( 99) 4.4911E-01 ( 16) 5.1821E-01 ( 44) 5.8730E-01 ( 72) 2.7638E-01 (100) 5.8730E-01 ( 17) 6.9094E-01 ( 45) 4.4911E-01 ( 73) 8.2913E-01 (101) 2.4183E-01 ( 18) 2.0728E-01 ( 46) 7.6004E-01 ( 74) 3.4547E-01 (102) 4.8366E-01 ( 19) 2.0728E-01 ( 47) 6.2185E-01 ( 75) 1.7274E-01 (103) 7.2549E-01 ( 20) 7.9458E-01 ( 48) 2.4183E-01 ( 76) 2.5910E+00 (104) 3.4547E-01 ( 21) 1.5546E+00 ( 49) 4.1457E-01 ( 77) 2.0728E-01 (105) 5.5275E-01 ( 22) 2.4183E-01 ( 50) 6.5639E-01 ( 78) 4.1457E-01 (106) 6.2185E-01 ( 23) 2.0728E-01 ( 51) 7.6004E-01 ( 79) 1.7274E-01 (107) 4.4911E-01 ( 24) 3.1092E-01 ( 52) 7.2549E-01 ( 80) 3.8002E-01 (108) 1.3819E-01 ( 25) 3.1092E-01 ( 53) 5.5275E-01 ( 81) 4.8366E-01 (109) 3.1092E-01 ( 26) 4.8366E-01 ( 54) 3.4547E-01 ( 82) 2.4183E-01 (110) 1.7274E-01 ( 27) 3.1092E-01 ( 55) 2.7638E-01 ( 83) 2.7638E-01 (111) 1.7274E-01 ( 28) 3.4547E-01 ( 56) 1.3819E-01 ( 84) 1.3819E+00

V S T U P

(1) KLASICKÉ ODHADY POLOHY, MĚŘÍTKA A TVARU:

Medián Průměr Rozptyl Směrodatná šikmost špičatost odchylka

3.1092E-01 4.2048E-01 1.0611E-01 3.2575E-01 3.4506E+00 2.0616E+01

(2) VÝSLEDKY ANALÝZY P-P GRAFU:

Rozdělení Směrnice Úsek Korel. koef.

Normální 7.5901E-01 8.3399E-02 0.886 Exponenciální 9.5748E-01 1.8058E-02 0.994 Lognormální 1.0134E+00 -3.6884E-03 0.996 Weibullovo 9.5764E-01 1.7832E-02 0.994 Gamma 9.4429E-01 -1.2864E-01 0.791

(44)

(3) STATISTIKY OPTIMÁLNÍHO ROZDĚLENÍ VÝBĚRU:

Výběrová Rozdělení statistika Exponenciální : 2.7036E+01 Lognormální : 5.4720E+01 Weibullovo : 2.7032E+01 Gamma : 1.6634E+01

Závěr : Optimální výběrové rozdělení je Lognormální

(4) ODHADY PARAMETRÚ NĚKTERÝCH DISTRIBUČNÍCH FUNKCÍ

Typ rozdělení : Normální Střední hodnota : 4.2048E-01 Rozptyl : 1.0611E-01 Korelační koeficient pro P-P přímku : 8.8637E-01 Optimální hodnota MLE : 2.2506E+01

Typ rozdělení : Exponenci lní Mí : 1.3561E-01 Sigma : 2.8487E-01 Výběrová statistika : 2.7036E+01 Korelační koeficient pro P-P přímku : 9.9427E-01 Optimální hodnota MLE : 2.8390E+01

Typ rozdělení : Lognormální Počátek : 1.1381E-01 Mí : -1.5854E+00 Sigma : 9.1366E-01 Výběrová statistika : 5.4720E+01 Korelační koeficient pro P-P přímku : 9.9571E-01 Optimální hodnota MLE : 3.5650E+02

(45)

Typ rozdělení : Weibullovo Počátek : 1.3560E-01 Lambda : 1.0005E+00 Sigma : 2.8500E-01 Výběrová statistika : 2.7032E+01 Korelační koeficient pro P-P přímku : 9.9427E-01 Optimální hodnota MLE : 2.8386E+01

Typ rozdělení : Gamma Počátek : 1.3772E-01 Lambda : 1.5503E+00 Sigma : 2.7122E-01 Výběrová statistika : 1.6634E+01 Korelační koeficient pro P-P přímku : 7.9108E-01 Optimální hodnota MLE : 6.2861E+00

Název: Žmolkovitost – lognormální rozdělení (v ploše)

V S T U P

(1) PODMÍNKY:

Rozdělení : Lognormální Počátek v nule : Ne

Velikost výběru : 111 Jméno výstupního soubor : bs_m_l.txt

(46)

(2) VSTUPNÍ DATA

Cel matice editoru.

( 1) 2.4183E-01 ( 29) 8.2913E-01 ( 57) 1.7274E-01 ( 85) 2.0728E-01 ( 2) 4.8366E-01 ( 30) 1.7274E-01 ( 58) 4.1457E-01 ( 86) 1.7274E-01 ( 3) 3.4547E-01 ( 31) 2.7638E-01 ( 59) 3.1092E-01 ( 87) 3.1092E-01 ( 4) 1.3819E-01 ( 32) 2.4183E-01 ( 60) 5.8730E-01 ( 88) 7.6004E-01 ( 5) 7.9458E-01 ( 33) 1.7274E-01 ( 61) 3.1092E-01 ( 89) 2.0728E-01 ( 6) 3.4547E-01 ( 34) 2.4183E-01 ( 62) 5.5275E-01 ( 90) 2.0728E-01 ( 7) 2.4183E-01 ( 35) 1.7274E-01 ( 63) 4.8366E-01 ( 91) 3.1092E-01 ( 8) 1.1401E+00 ( 36) 6.2185E-01 ( 64) 2.4183E-01 ( 92) 2.0728E-01 ( 9) 2.7638E-01 ( 37) 2.7638E-01 ( 65) 1.3819E-01 ( 93) 2.0728E-01 ( 10) 4.8366E-01 ( 38) 1.7274E-01 ( 66) 6.9094E-01 ( 94) 6.5639E-01 ( 11) 2.4183E-01 ( 39) 4.8366E-01 ( 67) 2.0728E-01 ( 95) 1.7274E-01 ( 12) 2.4183E-01 ( 40) 3.4547E-01 ( 68) 3.4547E-01 ( 96) 2.4183E-01 ( 13) 4.1457E-01 ( 41) 2.0728E-01 ( 69) 4.4911E-01 ( 97) 3.8002E-01 ( 14) 2.0728E-01 ( 42) 2.4183E-01 ( 70) 8.6368E-01 ( 98) 3.1092E-01 ( 15) 3.4547E-01 ( 43) 2.4183E-01 ( 71) 1.7274E-01 ( 99) 4.4911E-01 ( 16) 5.1821E-01 ( 44) 5.8730E-01 ( 72) 2.7638E-01 (100) 5.8730E-01 ( 17) 6.9094E-01 ( 45) 4.4911E-01 ( 73) 8.2913E-01 (101) 2.4183E-01 ( 18) 2.0728E-01 ( 46) 7.6004E-01 ( 74) 3.4547E-01 (102) 4.8366E-01 ( 19) 2.0728E-01 ( 47) 6.2185E-01 ( 75) 1.7274E-01 (103) 7.2549E-01 ( 20) 7.9458E-01 ( 48) 2.4183E-01 ( 76) 2.5910E+00 (104) 3.4547E-01 ( 21) 1.5546E+00 ( 49) 4.1457E-01 ( 77) 2.0728E-01 (105) 5.5275E-01 ( 22) 2.4183E-01 ( 50) 6.5639E-01 ( 78) 4.1457E-01 (106) 6.2185E-01 ( 23) 2.0728E-01 ( 51) 7.6004E-01 ( 79) 1.7274E-01 (107) 4.4911E-01 ( 24) 3.1092E-01 ( 52) 7.2549E-01 ( 80) 3.8002E-01 (108) 1.3819E-01 ( 25) 3.1092E-01 ( 53) 5.5275E-01 ( 81) 4.8366E-01 (109) 3.1092E-01 ( 26) 4.8366E-01 ( 54) 3.4547E-01 ( 82) 2.4183E-01 (110) 1.7274E-01 ( 27) 3.1092E-01 ( 55) 2.7638E-01 ( 83) 2.7638E-01 (111) 1.7274E-01 ( 28) 3.4547E-01 ( 56) 1.3819E-01 ( 84) 1.3819E+00

(47)

V Ý S T U P

Medián Průměr Rozptyl Směrodatná Šikmost Špičatost odchylka

3.1092E-01 4.2048E-01 1.0611E-01 3.2575E-01 3.4506E+00 2.0616E+01

Normální 7.5901E-01 8.3399E-02 0.886 Exponenciální 9.5748E-01 1.8058E-02 0.994 Lognormální 1.0134E+00 -3.6884E-03 0.996 Weibullovo 9.5764E-01 1.7832E-02 0.994 Gamma 9.4429E-01 -1.2864E-01 0.791

(4) ODHADY PARAMETRÚ NĚKTERÝCH DISTRIBUČNÍCH FUNKCÍ

Typ rozdělení : Normální Střední hodnota : 4.2048E-01 Rozptyl : 1.0611E-01

Korelační koeficient pro P-P přímku : 8.8637E-01 Optimální hodnota MLE : 2.2506E+01

(48)

Typ rozdělení : Exponenciální Mí : 1.3561E-01 Sigma : 2.8487E-01 Výběrová statistika : 2.7036E+01 Korelační koeficient pro P-P přímku : 9.9427E-01 Optimální hodnota MLE : 2.8390E+01

Typ rozdělení : Lognormální Počátek : 1.1381E-01 Mí : -1.5854E+00 Sigma : 9.1366E-01 Výběrová statistika : 5.4720E+01 Korelační koeficient pro P-P přímk : 9.9571E-01 Optimální hodnota MLE : 3.5650E+02

(49)

Obr. 20. Hustota pravděpodobnosti rozdělení žmolkovitosti – model normální rozdělení (v ploše)

Na modelu hustoty pravděpodobnosti žmolkovitosti modelované normálním rozdělením je patrno, že model ne zcela kopíruje skutečné rozdělení žmolkovitosti.

Podle protokolu je optimální rozdělení lognormální, které je zobrazeno na obr. 22.

(50)

Obr. 21. Zobrazení pravděpodobnostního grafu žmolkovitosti – model normálního rozdělení (v ploše)

(51)

Obr. 22. Model rozdělení pravděpodobnosti žmolkovitosti – lognormální rozdělení (v ploše)

(52)

Graf na obr. 22. ukazuje dobrou shodu modelových a experimentálních dat žmolkovitosti při modelování lognormálním rozdělením.

Obr. 23. Zobrazení pravděpodobnostního grafu žmolkovitosti – model lognormálního rozdělení (v ploše)

(53)

Název: Žmolkovitost – normální rozdělení (v hraně)

V S T U P

(1) PODMÍNKY:

Rozdělení : Normální Počátek v nule : Ne

Velikost výběru : 111

Jméno výstupního souboru : hrmn.TXT

(2) VSTUPNÍ DATA

Cel matice editoru.

( 1) 1.3819E-01 ( 29) 2.7638E-01 ( 57) 3.8002E-01 ( 85) 5.5275E-01 ( 2) 1.3819E-01 ( 30) 2.7638E-01 ( 58) 3.8002E-01 ( 86) 5.8730E-01 ( 3) 1.3819E-01 ( 31) 2.7638E-01 ( 59) 4.1457E-01 ( 87) 5.8730E-01 ( 4) 1.3819E-01 ( 32) 2.7638E-01 ( 60) 4.1457E-01 ( 88) 5.8730E-01 ( 5) 1.3819E-01 ( 33) 2.7638E-01 ( 61) 4.1457E-01 ( 89) 5.8730E-01 ( 6) 1.7274E-01 ( 34) 2.7638E-01 ( 62) 4.1457E-01 ( 90) 6.5639E-01 ( 7) 1.7274E-01 ( 35) 2.7638E-01 ( 63) 4.1457E-01 ( 91) 6.5639E-01 ( 8) 1.7274E-01 ( 36) 3.1092E-01 ( 64) 4.1457E-01 ( 92) 6.9094E-01 ( 9) 1.7274E-01 ( 37) 3.1092E-01 ( 65) 4.1457E-01 ( 93) 6.9094E-01 ( 10) 2.0728E-01 ( 38) 3.1092E-01 ( 66) 4.4911E-01 ( 94) 6.9094E-01 ( 11) 2.0728E-01 ( 39) 3.1092E-01 ( 67) 4.4911E-01 ( 95) 7.2549E-01 ( 12) 2.0728E-01 ( 40) 3.1092E-01 ( 68) 4.4911E-01 ( 96) 7.2549E-01 ( 13) 2.0728E-01 ( 41) 3.1092E-01 ( 69) 4.4911E-01 ( 97) 7.2549E-01 ( 14) 2.0728E-01 ( 42) 3.1092E-01 ( 70) 4.4911E-01 ( 98) 7.6004E-01

(54)

( 16) 2.0728E-01 ( 44) 3.1092E-01 ( 72) 4.8366E-01 (100) 7.9458E-01 ( 17) 2.0728E-01 ( 45) 3.4547E-01 ( 73) 4.8366E-01 (101) 7.9458E-01 ( 18) 2.4183E-01 ( 46) 3.4547E-01 ( 74) 4.8366E-01 (102) 8.2913E-01 ( 19) 2.4183E-01 ( 47) 3.4547E-01 ( 75) 4.8366E-01 (103) 8.2913E-01 ( 20) 2.4183E-01 ( 48) 3.4547E-01 ( 76) 4.8366E-01 (104) 8.2913E-01 ( 21) 2.4183E-01 ( 49) 3.4547E-01 ( 77) 4.8366E-01 (105) 8.6368E-01 ( 22) 2.4183E-01 ( 50) 3.4547E-01 ( 78) 4.8366E-01 (106) 8.9822E-01 ( 23) 2.4183E-01 ( 51) 3.4547E-01 ( 79) 5.1821E-01 (107) 8.9822E-01 ( 24) 2.4183E-01 ( 52) 3.4547E-01 ( 80) 5.1821E-01 (108) 8.9822E-01 ( 25) 2.4183E-01 ( 53) 3.8002E-01 ( 81) 5.1821E-01 (109) 9.6732E-01 ( 26) 2.7638E-01 ( 54) 3.8002E-01 ( 82) 5.1821E-01 (110) 1.0019E+00 ( 27) 2.7638E-01 ( 55) 3.8002E-01 ( 83) 5.5275E-01 (111) 1.1055E+00 ( 28) 2.7638E-01 ( 56) 3.8002E-01 ( 84) 5.5275E-01

V Ý S T U P

3.8001E-01 4.3635E-01 4.9540E-02 2.2258E-01 8.9730E-01 3.0697E+00

Normální 9.7586E-01 -1.5595E-02 0.974 Exponenciální 8.7772E-01 1.0446E-01 0.966 Lognormální 1.0278E+00 -1.1160E-02 0.997 Weibullovo 1.0148E+00 -1.0629E-02 0.997 Gamma 9.0608E-01 -7.2465E-02 0.873

(3) STATISTIKY OPTIMÁLNÍHO ROZDĚLENÍ VĚBĚRU:

Výběrová Rozdělení statistika Exponenciální : 2.0964E+01

(55)

Lognormální : 4.9925E+01 Weibullovo : 2.5394E+01 Gamma : 2.0984E+01

(4) ODHADY PARAMETRÚ NĚKTERÝCH DISTRIBUČNÍCH FUNKCÍ:

Typ rozdělení : Normální Střední hodnota : 4.3635E-01 Rozptyl : 4.9540E-02 Korelační koeficient pro P-P přímku : 9.7400E-01 Optimální hodnota MLE : 6.4791E+01

Typ rozdělení : Weibullovo Počátek : 1.2710E-01 Lambda : 1.4134E+00 Sigma : 3.4075E-01

(56)

Název: Žmolkovitost – lognormálního rozdělení (v hraně)

V S T U P

(1) PODMÍNKY:

Rozdělení : Lognormální Počátek v nule : Ne

Velikost výběru : 111 Jméno výstupního soubor : hrml.TXT

(2) VSTUPNÍ DATA

Cel matice editoru.

( 1) 1.3819E-01 ( 29) 2.7638E-01 ( 57) 3.8002E-01 ( 85) 5.5275E-01 ( 2) 1.3819E-01 ( 30) 2.7638E-01 ( 58) 3.8002E-01 ( 86) 5.8730E-01 ( 3) 1.3819E-01 ( 31) 2.7638E-01 ( 59) 4.1457E-01 ( 87) 5.8730E-01 ( 4) 1.3819E-01 ( 32) 2.7638E-01 ( 60) 4.1457E-01 ( 88) 5.8730E-01

(57)

( 5) 1.3819E-01 ( 33) 2.7638E-01 ( 61) 4.1457E-01 ( 89) 5.8730E-01 ( 6) 1.7274E-01 ( 34) 2.7638E-01 ( 62) 4.1457E-01 ( 90) 6.5639E-01 ( 7) 1.7274E-01 ( 35) 2.7638E-01 ( 63) 4.1457E-01 ( 91) 6.5639E-01 ( 8) 1.7274E-01 ( 36) 3.1092E-01 ( 64) 4.1457E-01 ( 92) 6.9094E-01 ( 9) 1.7274E-01 ( 37) 3.1092E-01 ( 65) 4.1457E-01 ( 93) 6.9094E-01 ( 10) 2.0728E-01 ( 38) 3.1092E-01 ( 66) 4.4911E-01 ( 94) 6.9094E-01 ( 11) 2.0728E-01 ( 39) 3.1092E-01 ( 67) 4.4911E-01 ( 95) 7.2549E-01 ( 12) 2.0728E-01 ( 40) 3.1092E-01 ( 68) 4.4911E-01 ( 96) 7.2549E-01 ( 13) 2.0728E-01 ( 41) 3.1092E-01 ( 69) 4.4911E-01 ( 97) 7.2549E-01 ( 14) 2.0728E-01 ( 42) 3.1092E-01 ( 70) 4.4911E-01 ( 98) 7.6004E-01 ( 15) 2.0728E-01 ( 43) 3.1092E-01 ( 71) 4.4911E-01 ( 99) 7.6004E-01 ( 16) 2.0728E-01 ( 44) 3.1092E-01 ( 72) 4.8366E-01 (100) 7.9458E-01 ( 17) 2.0728E-01 ( 45) 3.4547E-01 ( 73) 4.8366E-01 (101) 7.9458E-01 ( 18) 2.4183E-01 ( 46) 3.4547E-01 ( 74) 4.8366E-01 (102) 8.2913E-01 ( 19) 2.4183E-01 ( 47) 3.4547E-01 ( 75) 4.8366E-01 (103) 8.2913E-01 ( 20) 2.4183E-01 ( 48) 3.4547E-01 ( 76) 4.8366E-01 (104) 8.2913E-01 ( 21) 2.4183E-01 ( 49) 3.4547E-01 ( 77) 4.8366E-01 (105) 8.6368E-01 ( 22) 2.4183E-01 ( 50) 3.4547E-01 ( 78) 4.8366E-01 (106) 8.9822E-01 ( 23) 2.4183E-01 ( 51) 3.4547E-01 ( 79) 5.1821E-01 (107) 8.9822E-01 ( 24) 2.4183E-01 ( 52) 3.4547E-01 ( 80) 5.1821E-01 (108) 8.9822E-01 ( 25) 2.4183E-01 ( 53) 3.8002E-01 ( 81) 5.1821E-01 (109) 9.6732E-01 ( 26) 2.7638E-01 ( 54) 3.8002E-01 ( 82) 5.1821E-01 (110) 1.0019E+00 ( 27) 2.7638E-01 ( 55) 3.8002E-01 ( 83) 5.5275E-01 (111) 1.1055E+00 ( 28) 2.7638E-01 ( 56) 3.8002E-01 ( 84) 5.5275E-01

V Ý S T U P

3.8001E-01 4.3635E-01 4.9540E-02 2.2258E-01 8.9730E-01 3.0697E+00

(58)

Normální 9.7586E-01 -1.5595E-02 0.974 Exponenciální 8.7772E-01 1.0446E-01 0.966 Lognormální 1.0278E+00 -1.1160E-02 0.997 Weibullovo 1.0148E+00 -1.0629E-02 0.997 Gamma 9.0608E-01 -7.2465E-02 0.873

(4) ODHADY PARAMETRÚ NĚKTERÝCH DISTRIBUČNÍCH FUNKCÍ:

Typ rozdělení : Normální Střední hodnota : 4.3635E-01 Rozptyl : 4.9540E-02

(59)

(60)

Obr. 24. Hustota pravděpodobnosti rozdělení žmolkovitosti – model normální rozdělení (v hraně)

(61)

Obr. 25. Zobrazení pravděpodobnostního grafu žmolkovitosti – model normálního rozdělení (v hraně)

(62)

Obr. 26. Hustota pravděpodobnosti rozdělení žmolkovitosti – model lognormální rozdělení (v hraně)

(63)

Obr. 27. Zobrazení pravděpodobnostního grafu žmolkovitosti – model lognormálního rozdělení (v hraně)

(64)

U měřených vzorků se hodnotila velikost žmolků, celková plocha žmolků, počet žmolků. Žmolky byly měřeny v 2D prostoru.

Naměřená data jednotlivých vzorků byla zpracována v programu EXCEL.

V tabulkách VII. a IX. jsou uvedeny data týkající se celkové plochy žmolků, počtu žmolků a parametrů lognormálního rozdělení (vše v milimetrech).

Velikosti žmolků byly zařazeny do velikostních tříd a utvořeny četnostní grafy velikosti žmolků (viz tab. VIII.,X, graf č. 1,2).

Tab. VII. Data týkající se počtu žmolků, parametrů lognormálního rozdělení (v mm²) u materiálů měřených v ploše

(65)

Vzorek A B C 1

Plochy obrazů 0,44911 0,6564 0,6564 0,24183 0,172735 0,449112 0,725489 žmolků [mm²] 0,86368 1,55462 2,48739 0,483659 0,621847 0,863677 0,345471 0,51821 3,28197 0,79458 0,345471 0,276377 0,172735 0,552753 0,76004 0,48366 1,831 0,138188 0,172735 0,276377 0,621847 1,34734 2,83286 2,17647 0,794583 0,483659 0,82913 0,449112 0,31092 0,17274 1,45098 0,345471 0,345471 0,345471 0,138188 0,31092 0,34547 0,24183 0,207282 0,172735 0,310924 1,24369 0,89822 1,14005 0,24183 2,59103 0,172735

2,24556 0,276377 0,24183 0,207282 0,172735

0,79458 0,483659 0,5873 0,414565

0,17274 0,24183 0,449112 0,172735

0,34547 0,24183 0,760036 0,380018

0,20728 0,414565 0,621847 0,483659

0,24183 0,207282 0,24183 0,24183

1,65826 0,345471 0,414565 0,276377

0,86368 0,518206 0,656395 1,38188

2,31465 0,690942 0,760036 0,207282

0,13819 0,207282 0,725489 0,172735

0,17274 0,207282 0,552753 0,310924

0,89822 0,794583 0,345471 0,760036

0,6564 1,55462 0,276377 0,207282

1,38188 0,24183 0,138188 0,207282

1,831 0,207282 0,172735 0,310924

0,310924 0,414565 0,207282

0,310924 0,310924 0,207282

0,483659 0,5873 0,656395

0,310924 0,310924 0,172735

0,345471 0,552753 0,24183

0,82913 0,483659 0,380018

0,172735 0,24183 0,310924

0,276377 0,138188 0,449112

0,24183 0,690942 0,5873

0,172735 0,207282 0,24183

0,24183 0,345471 0,483659

Střední hodnota 0,72549 1,0499 1,5661 0,42048 Směrodatná odchylka 0,37726 0,90425 0,67423 0,32428

Spodní mez 0,31092 0,13819 0,65639 0,13819

Horní mez 1,3473 3,282 2,4874 2,591

Počet dat 8 23 6 111

Tab. VIII. Četnostní polygon velikostí žmolků (v ploše)

(66)

Vzorky A B C 1

0,2 0 6 0 42

0,4 2 2 0 30

0,6 2 1 0 21

0,8 1 3 2 13

1 1 3 0 1

1,2 1 0 0 1

1,4 1 1 0 1

1,6 0 1 1 2

1,8 0 2 1 0

2 0 0 0 0

2,2 0 0 1 0

2,4 0 2 0 0

2,6 0 0 1 0

2,8 0 1 0 0

3 0 0 0 0

Tř. intervaly velikosti žmolků

další 0 1 0 0

Počet žmolků 8 23 6 111

Celk. plocha žmolků 6,4 25,6 9,8 50,2

Graf č. 1

Četnostní graf velikosti žmolků

0 5 10 15 20 25 30 35 40 45

0,2 0,8 1,4 2 2,6 další

Velikosti žmolků (mm)

Četnosti žmolků

Řada1 Řada2 Řada3 Řada4

Tab. IX. Data týkající se počtu žmolků, parametrů lognormálního rozdělení (v mm²) u materiálů měřených (v hraně)

Vzorek A B C 1

(67)

Plochy obrazů 0,34547 0,34547 1,0364 0,13819 0,27638 0,44911 0,82913 žmolků [mm²] 0,65639 0,34547 1,071 0,13819 0,31092 0,44911 0,82913

0,72549 0,34547 1,5892 0,13819 0,31092 0,44911 0,86368

0,72549 0,41456 1,6583 0,13819 0,31092 0,48366 0,89822

0,76004 0,48366 2,0728 0,13819 0,31092 0,48366 0,89822

0,76004 0,55275 2,8674 0,17274 0,31092 0,48366 0,89822

1,6237 0,69094 0,17274 0,31092 0,48366 0,96732

1,79645 0,7564 0,17274 0,31092 0,48366 1,00187

0,79458 0,17274 0,31092 0,48366 1,10551

0,86368 0,20728 0,31092 0,48366

0,86368 0,20728 0,34547 0,51821

0,89822 0,20728 0,34547 0,51821

0,89831 0,20728 0,34547 0,51821

0,98822 0,20728 0,34547 0,51821

1,13819 0,20728 0,34547 0,55275

1,18188 0,20728 0,34547 0,55275

1,2782 0,20728 0,34547 0,55275

1,3473 0,24183 0,34547 0,5873

1,4164 0,24183 0,38002 0,5873

1,6237 0,24183 0,38002 0,5873

2,4874 0,24183 0,38002 0,5873

2,7638 0,24183 0,38002 0,6564

3,4202 0,24183 0,38002 0,6564

0,24183 0,38002 0,69094

0,24183 0,41457 0,69094

0,27638 0,41457 0,69094

0,27638 0,41457 0,72549

0,27638 0,41457 0,76004

0,27638 0,44911 0,79458

0,27638 0,44911 0,82913

Střední hodnota 0,924133 1,126021 1,71585 0,4364

Směrodatná odchylka 0,505631 0,7971 0,6856 0,22258

Spodní mez 0,34547 0,34547 1,0364 0,13819

Horní mez 1,79645 3,4202 2,8674 1,10551

Počet dat 8 23 6 111

Tab. X. Četnostní polygon velikosti žmolků (v hraně)

(68)

Vzorky A B C 1

0,2 0 0 0 25

0,4 1 4 0 38

0,6 0 2 0 27

0,8 5 3 0 14

1 0 5 2 6

1,2 0 2 0 1

1,4 0 3 0 0

1,6 1 1 1 0

1,8 1 0 1 0

2 0 0 0 0

2,2 0 0 1 0

2,4 0 0 0 0

2,6 0 1 0 0

2,8 0 1 1 0

3 0 0 0 0

Tř. intervaly velikosti žmolků

další 0 1 0 0

Počet žmolků 8 23 6 111

Celk. plocha žmolků 7,8 26,2 10,3 52,2

Graf č. 2

Četnostní graf velikosti žmolků

0 5 10 15 20 25 30 35 40

0,2 0,8 1,4 2 2,6 další

Velikosti žmolků (mm)

Četnosti žmolků

Řada1 Řada2 Řada3 Řada4

(69)

ZÁVĚR

Předložená bakalářská práce se zabývala zjišťováním žmolkovitosti na předložených tkaninách. Část vzorků byla převzata z diplomové práce Moniky

Šmerdové (1999), kde jsou také tyto vzorky uloženy. Protože vzorky z diplomové práce poskytly jen omezené množství dat, která se nedala statisticky modelovat, byl proveden experiment na dalším vzorku označeném č. 1 ( viz kap. Experimentální část).

Na tomto vzorku bylo o naměřeno 111 dat, a to metodou měření na obrazové analýze v ploše a v hraně.

Tato data byla statisticky zpracována pomocí systému obrazové analýzy LUCIA a dále modelována za pomoci statistického balíku ADSTAT, který byl poskytnut katedrou textilních materiálů.

Ze statistických výpočtů v ADSTATu vyplynulo, že optimální modelové rozdělení dat žmolkovitosti je lognormální. To je patrné rovněž v protokolech a z grafického zobrazení z ADSTATu uvedených v textu.

Statistická data z LUCIE a ADSTATu jsou srovnána v následující tabulce č. XI.

Tabulka č. XI.

Parametr Statistická data z LUCIE Statistická data z ADSTATu Data z měření v ploše

Průměrná hodnota velikosti žmolků [ mm² ]

0,42048 0,42048

Směrodatná odchylka [ mm² ] 0,32428 0,32575

Data z měření v hraně Průměrná hodnota velikosti žmolků [ mm² ]

0,4364 0,43635

Směrodatná odchylka [ mm² ] 0,22258 0,22258

Statistický balík ADSTAT má metody statistických výpočtů navrženy optimálně tak, aby vyhovovaly všem aplikacím. Z tabulky č. XI je vidět, že data z Lucie a Adstatu se liší.

Z grafů na obr. 20 – 27 je patrný větší rozsah u dat naměřených metodou měření v hraně. Data měřená v ploše jsou kumulována směrem k malým hodnotám a velmi zešikmují modelové rozdělení pravděpodobnosti.

Proto je možno konstatovat, že pro praktické účely bude více vyhovovat měření žmolků v hraně.

(70)

LITERATURA

[1] Hoffmann,L.:Pilling a sposoby jego umenšenija, Tvar CNIIŠV, 1971 [2] Luckaja, T.S.: Metody ocenky pillinga konvolných tkaněj i puti jego predotvrasčenija, Moskva, MII, 1967

[3] Kašparová, A.: Diplomová práce, Liberec, 1997 [4] Barella, A.: Yarn haininess, Textiles Prog., 1983

[5] Staněk, J.: Nauka o textilních materiálech I, Skripta VŠST, Liberec 1988 [6] ČSN 80 0839, Zjišťování odolnosti plošných textilií proti žmolkování na žmolkovacím přístroji se vzduchovými polštáři

[7] ČSN 80 0838, Zjišťování odolnosti plošných textilií proti žmolkování na komorovém žmolkovacím přístroji

[8] Kubíčková, M. – Staněk, J.: Oděvní materiály, Liberec 1986 [9] Lucia G, Manuál k programu

[10] ČSN 80 0072, Odběr laboratorních vzorků