【摘 要】 目前織物疵點仍然由人工檢測，準(zhǔn)確率低而且成本高，卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展促使疵點檢測進入了一個新的階段。其中，殘差網(wǎng)絡(luò)在織物疵點檢測中應(yīng)用越來越廣，通過比較近年殘差網(wǎng)絡(luò)在疵點檢測的應(yīng)用，得出結(jié)合殘差網(wǎng)絡(luò)能夠提升疵點的檢測。

【關(guān)鍵詞】 疵點檢測 Resnet 卷積神經(jīng)網(wǎng)絡(luò)

布匹質(zhì)量的優(yōu)劣對紡織品生產(chǎn)的效益影響巨大，而且中國是世界上最大的服裝生產(chǎn)國、消費國和出口國，因此，織物的疵點檢測在紡織品生產(chǎn)中是尤為關(guān)鍵的一環(huán)。但目前，我國的布匹檢測依然使用人工檢測的方式進行。但利用人工檢測方式存在主觀性強，效率低以及成本高的問題。工人在長時間檢測布匹之后會出現(xiàn)眼睛疲勞，對眼睛有害以及檢測效率會越來越低。因此，使用疵點自動化檢測成為了提高布匹質(zhì)量的必然趨勢。

現(xiàn)有的布匹瑕疵檢測方法主要分為：基于結(jié)構(gòu)分析、頻譜分析、基于模型分析、學(xué)習(xí)分析等幾大類。KarleKar等人[1]提出了一種結(jié)合小波變換和形態(tài)學(xué)的算法，通過檢測布匹紋理來提取瑕疵信息。鄧超等人[2]提出一種基于邊緣檢測的快速檢測算法，利用形態(tài)學(xué)處理和離散余弦變換自動檢測布匹疵點。Jia等人[3]通過形態(tài)學(xué)成分分析對團重復(fù)的網(wǎng)格花紋布匹自動分割，再通過Gabor濾波器檢測疵點信息。Li等人[4]將織物圖像分割成大小相同的碎塊，利用疵點和無疵點樣本對基于Fisher準(zhǔn)則疊置的去噪自編碼進行訓(xùn)練，計算了重建圖像與缺陷圖像之間的殘差，并通過閾值法對缺陷進行定位。隨著卷積神經(jīng)網(wǎng)絡(luò)的興起，被利用于各個領(lǐng)域。隨著卷積神經(jīng)網(wǎng)絡(luò)的興起，被利用于各個領(lǐng)域。目前出現(xiàn)了VGG[1]、Resnet[2]、Densenet[3]等很多優(yōu)秀的分類網(wǎng)絡(luò)，有一部分也被應(yīng)用于織物的疵點檢測中。殘差網(wǎng)絡(luò)應(yīng)用于疵點檢測也越來越多。

由于Faster R-CNN分類檢測率高，因此該算法在織物疵點檢測中使用率最高。晏琳[4]等人通過把將ImageNet分類預(yù)訓(xùn)練后得到的VGG16、Resnet101模型分別用于進行Faster R-CNN共享卷積層的初始化以得到初始參數(shù)及權(quán)重，將污漬、斷緯、線條、褶皺四種疵點數(shù)據(jù)集放入整個模型中進行訓(xùn)練。Resnet101在測試集中，相較于原始的VGG16網(wǎng)絡(luò)，mAP值提高了2.3%左右，這是由于Resnet101引入了殘差學(xué)習(xí)模塊，殘差學(xué)習(xí)將神經(jīng)網(wǎng)絡(luò)的輸出H（x）變?yōu)镕（x）=H（x）-x，減弱了因為卷積層數(shù)過多而造成的梯度消失現(xiàn)象，提高了檢測的準(zhǔn)確率。另外，測試了不同的非極大值抑制前后候選區(qū)域個數(shù)對mAP值得影響，發(fā)現(xiàn)隨著數(shù)量的減少，模型保留的錨數(shù)也隨之減少，導(dǎo)致檢測結(jié)果的mAP值下降。因此，選用相對較高的nms候選區(qū)域個數(shù)能夠得到較好的檢測結(jié)果。最終，采用調(diào)優(yōu)的參數(shù)配置后，F(xiàn)aster R-CNN+ Resnet101模型得到的部分檢測結(jié)果中，污漬的概率值為1.000，長斷緯的概率值為0.988，短斷緯的概率值為0.987，線條的概率值為1.000，褶皺的概率值為0.993。

陳康[5]等人同樣使用深度殘差網(wǎng)絡(luò)修改Faster R-CNN中的原始特征提取網(wǎng)絡(luò)。并且在Faster R-CNN的區(qū)域聲稱網(wǎng)絡(luò)中增加預(yù)測錨點框，提升多尺度疵點和小目標(biāo)疵點的檢測能力。最終對重經(jīng)重緯、斑點、破洞、斷經(jīng)段緯、折痕、污漬、筘痕這七種疵點類型進行檢測，mAP達(dá)到了0.9563。

羅俊麗[6]等人針對色織物疵點，提出利用殘差網(wǎng)絡(luò)模型進行訓(xùn)練和測試，最終對擦洞、織稀、跳花、污漬、毛洞五種疵點進行檢測得到91.53%的檢測率。除此之外，在兩個大小不同的數(shù)據(jù)集上比較遷移學(xué)習(xí)的效果發(fā)現(xiàn)，當(dāng)數(shù)據(jù)集小時，通過遷移學(xué)習(xí)可以提升模型的識別率。

卷積神經(jīng)網(wǎng)絡(luò)在疵點檢測領(lǐng)域中越來越廣，其中殘差網(wǎng)絡(luò)與其他算法進行結(jié)合，會使分類率增高，這對疵點檢測的發(fā)展尤為重要。

【參考文獻】

[1] Karlekar V V，Biradar M S，Bhangale K B.Fabric defect detection using wavelet filter[C]//IEEE International Conference on Computing Communication Control&Automation，2015：712-715.

[2] Deng Chao，Liu Yan-yan.Defect detection of twill cloth based on edge detection[J].Measurement&Control Technology，2018，37（12）：110-113.

[3] Jia L，Chen C，Liang J，et al.Fabric defect inspection based on lattice segmentation and gabor filtering[J].Neurocomputing，2017，238（1）：84-102.

[4] Li Y，Zhao W，Pan J.Deformable patterened fabric defect detection with fisher criterion-based deep learning[J].IEEE Transactions on Automation Science&Engineering，2017，14（2）：1256-1264.

[5] Simonyan K ， Zisserman A . Very Deep Convolutional Networks for Large-Scale Image Recognition[J]. Computer ence， 2014.

[6] He K ， Zhang X ， Ren S ， et al. Deep Residual Learning for Image Recognition[J]. 2015.

[7] Iandola F ， Moskewicz M ， Karayev S ， et al. DenseNet： Implementing Efficient ConvNet Descriptor Pyramids[J]. Eprint Arxiv， 2014.

[8] 晏琳，景軍鋒，李鵬飛.Faster RCNN模型在坯布疵點檢測中的應(yīng)用[J].棉紡織技術(shù)，2019，47（02）：24-27.

[9] 陳康，朱威，任振峰，鄭雅羽.基于深度殘差網(wǎng)絡(luò)的布匹疵點檢測方法[J].小型微型計算機系統(tǒng)，2020，41（04）：800-806.

[10] 羅俊麗，路凱.基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的色織物疵點檢測[J].上海紡織科技，2019，47（06）：52-56.

作者簡介：劉孔玲（199511），女，土家族，湖北宜昌。碩士，武漢紡織大學(xué)，深度學(xué)習(xí)與疵點檢測，430200。