羅維平，徐 洋，陳永恒，周 博，馬雙寶,2，吳雨川,2

(1.武漢紡織大學(xué) 機(jī)械工程與自動化學(xué)院，湖北 武漢 430200；2.湖北省數(shù)字化紡織裝備重點實驗室 湖北 武漢 430200)

隨著深度卷積神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，織物疵點檢測研究出現(xiàn)新的方向。稀疏連接結(jié)構(gòu)分類模型(GoogLeNet)、大規(guī)模圖像識別深度卷積網(wǎng)絡(luò)(VGG)、深度殘差網(wǎng)絡(luò)(ResNet)等深度學(xué)習(xí)經(jīng)典圖像檢測模型的出現(xiàn)[9-12]，織物疵點檢測研究也取得新的突破。文獻(xiàn)[13]應(yīng)用ResNet模型中的101網(wǎng)絡(luò)提取織物疵點特征，再利用基于區(qū)域的快速卷積神經(jīng)網(wǎng)絡(luò)(Faster RCNN)[14]檢測網(wǎng)絡(luò)對疵點目標(biāo)進(jìn)行識別，取得了較高的檢測準(zhǔn)確率，但在識別速度方面實時性效果不理想；文獻(xiàn)[15]應(yīng)用支持向量機(jī)分類算法完成了織物疵點檢測模型訓(xùn)練，解決對小樣本、高緯度數(shù)據(jù)的分類問題，但需要利用GPU計算灰度共生矩陣(GLCM)特征值，計算量大成本高，在提高計算速度的同時需要降低輸入圖像像素大小，一定程度上減弱了的原始圖像特征信息;文獻(xiàn)[16]提出基于費舍爾(Fisher)準(zhǔn)則的深層卷積神經(jīng)網(wǎng)絡(luò)織物疵點檢測方法，在標(biāo)準(zhǔn)織物瑕疵圖像數(shù)據(jù)庫(TILDA)[17]織物和自建的彩色格子織物數(shù)據(jù)集上取得較好成績，但局限于特定織物疵點檢測，對紋理更為復(fù)雜和多種類疵點檢測上泛化能力較差。

針對上述問題，本文提出一種基于遷移學(xué)習(xí)和改進(jìn)的ResNet50網(wǎng)絡(luò)織物疵點檢測算法，通過改進(jìn)ResNet50網(wǎng)絡(luò)的殘差模塊，利用在大規(guī)模分層圖像數(shù)據(jù)庫(ImageNet)[18]上預(yù)訓(xùn)練的權(quán)重參數(shù)進(jìn)行遷移學(xué)習(xí)，訓(xùn)練得到一個疵點識別模型，通過實驗表明該模型具有良好的泛化能力，能夠精準(zhǔn)快速識別正?？椢锖?類疵點織物。

1 研究方法

1.1 研究思路

本文提出的織物疵點檢測算法主要工作流程為：首先對織物疵點數(shù)據(jù)集中的圖像進(jìn)行預(yù)處理，篩選和提取出有效的數(shù)據(jù)樣本；然后對疵點樣本不平衡問題通過數(shù)據(jù)增強(qiáng)進(jìn)行彌補(bǔ)；再對ResNet50網(wǎng)絡(luò)進(jìn)行調(diào)整改進(jìn)，提取預(yù)訓(xùn)練ResNet50模型的權(quán)重參數(shù)作為初始值進(jìn)行遷移學(xué)習(xí)；最后為了驗證模型性能，利用本文方法和VGG16、VGG19、標(biāo)準(zhǔn)ResNet50、ResNet152等主流模型在測試集上進(jìn)行實驗對比測試。

1.2 ResNet模型架構(gòu)

隨著卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，發(fā)現(xiàn)卷積層越深模型效果越好，所以在VGG模型取得成功后，學(xué)者們開始嘗試更深的卷積網(wǎng)絡(luò)，但實驗證明網(wǎng)絡(luò)深度增加會造成梯度爆炸、消失，導(dǎo)致系統(tǒng)不能收斂[19-21]。在VGG模型中通過對輸入數(shù)據(jù)和中間層的數(shù)據(jù)歸一化操作，保證網(wǎng)絡(luò)在反向傳播中采用隨機(jī)梯度下降法(Stochastic gradient descent, SGD)，從而讓網(wǎng)絡(luò)達(dá)到收斂，但當(dāng)模型網(wǎng)絡(luò)深度超過十幾層后，SGD已經(jīng)失去作用，所以在出現(xiàn)ResNet模型出現(xiàn)之前，訓(xùn)練非常深的神經(jīng)網(wǎng)絡(luò)是非常困難的。針對這個問題，一種深度殘差網(wǎng)絡(luò)ResNet被提出，其允許網(wǎng)絡(luò)可以盡可能的加深，但其將輸入中的一部分?jǐn)?shù)據(jù)不經(jīng)過卷積網(wǎng)絡(luò)，直接送入到輸出，保留一部分原始信息，這種結(jié)構(gòu)有效防止了反向傳播時的梯度彌散問題，從而使得網(wǎng)絡(luò)深度可以達(dá)到上百層甚至更深。ResNet網(wǎng)絡(luò)能添加更深卷積層提升效果，其中的殘差塊結(jié)構(gòu)起關(guān)鍵作用，其結(jié)構(gòu)如圖1所示[12]。

圖1 ResNet殘差塊結(jié)構(gòu)

ResNet網(wǎng)絡(luò)原理是假設(shè)一個比較淺的網(wǎng)絡(luò)已達(dá)到飽和的準(zhǔn)確率，這時在它后面再加上幾個恒等映射層(Identity mapping，即y=x，輸出等于輸入)，這樣增加了網(wǎng)絡(luò)的深度，但誤差不會增加，即更深的網(wǎng)絡(luò)不會帶來訓(xùn)練集誤差的上升，殘差結(jié)構(gòu)計算公式如式(1)(2)所示：

y1=h(xl)+F(xl,Wl)

(1)

xl+1=f(yl)

(2)

式中：xl和xl+1分別表示第l個殘差單元的輸入和輸出，其中每個殘差單元包含多層結(jié)構(gòu)，F(xiàn)是殘差函數(shù)，表示學(xué)習(xí)到的殘差，而H(x)=Xl表示恒等映射，f是Relu激活函數(shù)，由式(1)(2)可以求得從淺層l到深層L的學(xué)習(xí)特征，計算公式如式(3)所示：

(3)

利用鏈?zhǔn)揭?guī)則，可以求得反向過程的梯度，計算公式如式(4)所示：

我國包括武隆在內(nèi)的大部分亟需脫貧的地區(qū)，基層社會自治水平有待提高，民間自治意識、自治能力和自治文化都需要逐步培養(yǎng)，這將是一個相對長期艱難的過程。通過學(xué)習(xí)楓橋經(jīng)驗、“三事分流”和“三社聯(lián)動”等有代表性的基層治理方式，在脫貧后扶中，武隆區(qū)也需要循序漸進(jìn)推進(jìn)村民自治，讓鄉(xiāng)村治理重心下移，切實把資源、服務(wù)、管理放下去，培育服務(wù)性、公益性、互助性農(nóng)村社會組織，發(fā)展農(nóng)村社會工作和志愿服務(wù)，減少對農(nóng)村的考核評比、創(chuàng)建達(dá)標(biāo)、檢查督查，發(fā)揮好、維護(hù)好村民委員會、農(nóng)村集體經(jīng)濟(jì)組織、農(nóng)村合作經(jīng)濟(jì)組織的積極性和主動性，從而有利于提高全區(qū)人民自發(fā)進(jìn)行基層治理的參與程度，實現(xiàn)穩(wěn)定脫貧，避免再返貧。

(4)

1.3 改進(jìn)ResNet50網(wǎng)絡(luò)

實驗中發(fā)現(xiàn)如果殘差映射F(x)結(jié)果的維度與跳躍連接X的維度不同，就無法對其進(jìn)行相加操作，所以必須對X進(jìn)行升維操作，使維度相同后才能相加計算，所以通常在跳躍連接X中加入stride=2的1×1特定卷積核，使X通過升維，讓其的輸出與卷積塊的輸出相同。實際中常用的殘差塊結(jié)構(gòu)如圖2所示。

當(dāng)反復(fù)堆疊殘差模塊時，可以構(gòu)成不同深度的網(wǎng)絡(luò)結(jié)構(gòu)[22]，本文嘗試了ResNet18、ResNet34、ResNet50、ResNet101、ResNet152等多種深度的網(wǎng)絡(luò)后，根據(jù)實驗效果和計算量綜合考慮，選用了50層的ResNet50網(wǎng)絡(luò)，標(biāo)準(zhǔn)的不同層數(shù)的ResNet網(wǎng)絡(luò)結(jié)構(gòu)如表1所示[12]。

由表1可以看出，所有的ResNet網(wǎng)絡(luò)第1層都是經(jīng)過7×7卷積層，感受野較大，對于ImageNet數(shù)據(jù)庫中的圖像提取特征足夠，但在本文研究中，織物疵點種類多且大多數(shù)疵點非常小，為了更加精確的對疵點進(jìn)行分類這就需要提取更多有效細(xì)微特征，所以本文在設(shè)計網(wǎng)絡(luò)時對第1層7×7卷積層進(jìn)行了改進(jìn)，使之更加適應(yīng)疵點檢測特征提取任務(wù)。本文設(shè)計中用3個3×3的堆疊卷積層替換7×7卷積層，一方面3個卷積層使用了更多的非線性激活函數(shù)，使得判決函數(shù)更具有判決性；另一方面，還有效降低了計算參數(shù)量，假設(shè)卷積層的輸入和輸出的特征圖大小相同為Z，3個3×3的卷積層參數(shù)個數(shù)3×(3×3×Z)×Z)=27×Z2；一個7×7卷積層的參數(shù)個數(shù)為(7×7×Z)×Z=49×Z2，所以在不改變初始感受野的情況改進(jìn)網(wǎng)絡(luò)第1層，能為疵點檢測模型帶來更好的性能。

除此之外，在疵點檢測問題中，疵點占整幅圖像面積較小，獲取的信息占比小，為了避免無用信息冗余，本文在殘差模塊stride=2的1×1的卷積核做下采樣前又加入一層2×2的平均池化層(avg-pool)整合空間信息，平均池化層沒有參數(shù)，不改變?nèi)謪?shù)量，同時可防止在該層出現(xiàn)過擬合，減少計算量的同時，提高檢測速度。

經(jīng)過改進(jìn)的ResNet50網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 改進(jìn)后的ResNet50網(wǎng)絡(luò)結(jié)構(gòu)

1.4 遷移學(xué)習(xí)

在機(jī)器學(xué)習(xí)中，要訓(xùn)練出一個魯棒性很好的模型，需要有足夠多的已標(biāo)注樣本和大量的具有相同分布又相互獨立的訓(xùn)練集和測試集，這在實際訓(xùn)練過程中很難滿足[23]。在本文研究中，織物疵點種類雖多，但很多疵點并不常見，所以疵點圖像樣本及其缺乏，針對此問題本文采用遷移學(xué)習(xí)來彌補(bǔ)。遷移學(xué)習(xí)是通過從已學(xué)習(xí)的相關(guān)任務(wù)中遷移其知識來對需要學(xué)習(xí)的新任務(wù)進(jìn)行提高，而不需要從零開始學(xué)習(xí)。在深度學(xué)習(xí)領(lǐng)域，如果有一個原始圖像數(shù)據(jù)集足夠大，那么預(yù)訓(xùn)練網(wǎng)絡(luò)模型學(xué)到的特征的空間層次結(jié)構(gòu)可以有效的作為視覺世界的通用模型，因此這些特征可用于各種不同的計算機(jī)視覺問題，即使這些新的分類問題設(shè)計的類別和原始任務(wù)完全不同[24]。在卷積神經(jīng)網(wǎng)絡(luò)模型中，某個卷積層提取的特征的通用性取決于該層在模型中的深度，更靠近模型底部的層提取的信息是局部的、高度通用的特征圖，如視覺邊緣、顏色、紋理等，更靠近頂部的層提取的是更加抽象的概念，如具體的類別輪廓、形狀[25]?；谏鲜隼碚摚疚闹羞x擇在大型圖像數(shù)據(jù)集ImageNet上訓(xùn)練好的ResNet50模型參數(shù)，作為本文修改后的ResNet50網(wǎng)絡(luò)初始參數(shù)，再在本文織物數(shù)據(jù)集中繼續(xù)重新訓(xùn)練頂層卷積網(wǎng)絡(luò)，使其更加適應(yīng)疵點檢測問題。

2 數(shù)據(jù)預(yù)處理

2.1 數(shù)據(jù)集

由于現(xiàn)有公開的織物疵點數(shù)據(jù)庫有限，研究者多選擇采用自建數(shù)據(jù)庫，但種類齊全的高清織物疵點采集難度高，有效數(shù)據(jù)有限，只能針對部分特定的疵點類型和布匹材料自建小型數(shù)據(jù)集；除此之外，如現(xiàn)有的TILDA織物數(shù)據(jù)庫織物疵點集數(shù)據(jù)數(shù)量少，種類少，總體數(shù)據(jù)不到千張圖像，像素低，疵點特征信息受限，即使使用數(shù)據(jù)增強(qiáng)可以一定程度降低模型過擬合，但原始圖像數(shù)量少始終限制模型訓(xùn)練精度?；诖?，江蘇陽光集團(tuán)開源了真實的企業(yè)生產(chǎn)現(xiàn)場采集的織物圖像數(shù)據(jù)集[26]，每張圖像分辨率為2 560像素×1 920像素，圖像特征細(xì)節(jié)清晰，并全部經(jīng)過經(jīng)驗豐富的驗布工人確認(rèn)，然后對每張圖像使用標(biāo)注工具LabelImg人工標(biāo)注，生成對應(yīng)的xml格式信息文件，包含瑕疵種類、位置等信息，數(shù)據(jù)集共有4 036張超清織物數(shù)據(jù)圖像，其中包含1 360張無疵點圖像，2 676張有瑕疵圖像，瑕疵種類包含常見的吊邊疵、擦洞、跳花、雙緯紗、打結(jié)、漏紗、破洞、多斑、缺經(jīng)、缺緯等42種，此數(shù)據(jù)集是目前公布的種類最為齊全、數(shù)量最多、圖像分辨率最高的織物疵點數(shù)據(jù)集。本文選用此數(shù)據(jù)集中樣本較多的幾種疵點樣本，包括正常織物和擦洞、破洞、漏紗、缺緯、缺經(jīng)、跳花、多斑等7類疵點織物，由于其他疵點類型樣本較少，用于樣本訓(xùn)練會影響模型精度，所以將其余疵點樣本歸為一類，總體作為模型訓(xùn)練的樣本共有9類，選用的疵點類型數(shù)據(jù)集中的部分圖像如圖4所示。

圖4 本文訓(xùn)練集中部分圖像

2.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)集中無疵點圖像與各類疵點圖像數(shù)量相差較多存在數(shù)據(jù)不平衡問題，直接訓(xùn)練會導(dǎo)致模型過擬合；除此之外，由于訓(xùn)練硬件限制(2塊RTX1080Ti 11G GPU)，原始圖像分辨率較大，訓(xùn)練時計算量大，所以必須對訓(xùn)練數(shù)據(jù)進(jìn)行預(yù)處理。疵點識別判斷需要獲得疵點特征細(xì)節(jié)，如果直接縮減會犧牲圖像細(xì)節(jié)特征，降低圖像所帶的信息量，所以本文采取以滑動窗口為320像素×320像素大小，滑動步長為160大小裁剪，將2 560像素×1 920像素的原始圖像切割成8×6份，這樣每張原始圖像分割成了48張圖像細(xì)節(jié)不變的小尺寸圖像。但是這樣處理后瑕疵圖像會出現(xiàn)正好切在瑕疵邊緣或瑕疵面積占比較小的問題，因此，本文進(jìn)一步對切割后的瑕疵圖像根據(jù)標(biāo)注的瑕疵位置信息計算瑕疵面積占比，篩選出切割后瑕疵面積占原始瑕疵面積一定閾值以上的圖像作為有效數(shù)據(jù)，選擇占比超過10%的疵點作為有效疵點圖像。最終，模型訓(xùn)練樣本集按照2∶1選擇無瑕疵圖像10 034張、有瑕疵圖像5 017張作為樣本集。為了測試模型訓(xùn)練精度，從訓(xùn)練樣本集中各選擇80%作為訓(xùn)練集，10%作為驗證集，10%作為測試集。在訓(xùn)練中為了防止過擬合，本文還采用了Dropout和數(shù)據(jù)增強(qiáng)技術(shù)以提升模型的泛化能力。數(shù)據(jù)增強(qiáng)是從現(xiàn)有的訓(xùn)練樣本中利用多種能夠生成可信圖像的隨機(jī)變換來增加樣本以提升模型泛化能力，文中所有數(shù)據(jù)增強(qiáng)使用的變化參數(shù)為90°圖像隨機(jī)旋轉(zhuǎn)范圍，水平、垂直方向上平移比例為30%，隨機(jī)錯切角度為90°、透視變換比例為20%，縮放變化范圍比例為10%，水平、垂直隨機(jī)翻轉(zhuǎn)，對常見疵點擦洞進(jìn)行數(shù)據(jù)增強(qiáng)后的部分圖像如圖5所示。

圖5 擦洞圖像應(yīng)用數(shù)據(jù)增強(qiáng)后的部分?jǐn)U增圖像

3 實驗設(shè)計及分析

3.1 評估指標(biāo)

實驗中使用準(zhǔn)確率(Accuracy, Acc)作為模型的評價指標(biāo)，準(zhǔn)確率是評價模型對全部樣本的判定能力。在分類問題中要將實例分為正類(Positive)和負(fù)類(Negative)，分類模型在實際的分類結(jié)果中可能會出現(xiàn)下面4中情況：若一個實例是正類，分類器將其判定為正類，稱為真正類(True Positive，TP)；反之，如果分類器將其判定為負(fù)類，稱為假負(fù)類(False Negative，F(xiàn)N)；若一個實例是負(fù)類，分類器將其判定為正類，稱為假正類(False Positive，F(xiàn)P)；反之，若分類器將其判定為負(fù)類，稱為真負(fù)類(True Negative，TN)[27-28]。這樣可以推導(dǎo)出準(zhǔn)確率Acc的計算式如式(5)所示：

(5)

除此之外，訓(xùn)練過程中的損失值也是重要指標(biāo)之一，其是用于評價學(xué)習(xí)權(quán)重張量的反饋信號，能夠衡量當(dāng)前任務(wù)是否解決，訓(xùn)練中需要最小化，是用來估量模型的預(yù)測值f(x)與真實值Y的不一致程度，其是一個非負(fù)實值函數(shù),通常使用L(Y,f(x))來表示，損失函數(shù)越小，模型的魯棒性越好。

3.2 實驗設(shè)計

為了驗證本文提出的疵點檢測模型性能，本文設(shè)計多個實驗。第1部分使用本文數(shù)據(jù)集分別訓(xùn)練當(dāng)前主流的VGG16模型、VGG19模型、標(biāo)準(zhǔn)ResNet50模型、ResNet152模型和本文方法改進(jìn)的ResNet50模型，然后在本文測試集上分別測試對比；第2部分參考文獻(xiàn)[15-16]中的方法,使用傳統(tǒng)的特征提取方法，復(fù)現(xiàn)了文獻(xiàn)[15]中提出的選取方向梯度直方圖(HOG)特征和文獻(xiàn)[16]中提出的選取局部二值模式(LBP)特征方法，利用本文測試集進(jìn)行測試對比本文方法；第3部分使用在實驗室環(huán)境下采集的純色背景泳裝布料自建數(shù)據(jù)集作對比實現(xiàn)數(shù)據(jù)集，分別驗證上述方法及模型的泛化性和準(zhǔn)確性，自建泳裝布料數(shù)據(jù)集部分圖像如圖6所示。

圖6 部分自建泳裝布料數(shù)據(jù)集

3.3 模型訓(xùn)練

為了得到足夠準(zhǔn)確和泛化能力更好的模型，需要在訓(xùn)練模型的過程中監(jiān)控訓(xùn)練損失和驗證損失，以及最重要的訓(xùn)練準(zhǔn)確率和驗證準(zhǔn)確率，如果發(fā)現(xiàn)模型的驗證數(shù)據(jù)的性能開始連續(xù)下降，則可以判斷為過擬合，本文在程序中實現(xiàn)過程為當(dāng)驗證準(zhǔn)確率連續(xù)10輪訓(xùn)練都不再優(yōu)化時則提前終止訓(xùn)練。通過驗證過程的反饋反復(fù)調(diào)節(jié)超參數(shù)、嘗試不同的Dropout比例等[27]，直到模型達(dá)到最佳驗證性能。本文訓(xùn)練了實驗設(shè)計中的所有模型，其中標(biāo)準(zhǔn)ResNet50網(wǎng)絡(luò)模型訓(xùn)練過程的損失曲線和準(zhǔn)確率曲線如圖7所示；改進(jìn)的ResNet50網(wǎng)絡(luò)訓(xùn)練過程損失曲線和準(zhǔn)確率曲線如圖8所示。

圖7 標(biāo)準(zhǔn)ResNet50網(wǎng)絡(luò)模型訓(xùn)練過程的損失曲線和準(zhǔn)確率曲線

圖8 改進(jìn)的ResNet50網(wǎng)絡(luò)訓(xùn)練過程損失曲線和準(zhǔn)確率曲線

3.4 實驗分析

根據(jù)訓(xùn)練好的模型，使用訓(xùn)練樣本中的測試集，對各模型和復(fù)現(xiàn)的傳統(tǒng)檢測算法分別進(jìn)行實驗驗證，實驗結(jié)果如表2所示。

由表2可知，改進(jìn)ResNet50網(wǎng)絡(luò)的權(quán)重參數(shù)是實驗?zāi)Ｐ椭凶钌俚?，測試速度最快，改進(jìn)的ResNet50網(wǎng)比標(biāo)準(zhǔn)ResNet50網(wǎng)絡(luò)的準(zhǔn)確率提升了4.2%，速度提升1倍,雖然相較于ResNet152網(wǎng)絡(luò)準(zhǔn)確率低了0.13%，但網(wǎng)絡(luò)權(quán)重減少50%，檢測速度提升約3.3倍，對比下本文改進(jìn)模型綜合性能最好。文獻(xiàn)[15]中基于HOG特征的疵點檢測方法在本文數(shù)據(jù)集上的測試準(zhǔn)確率只有70.51%，分析主要原因在于此算法會對原始圖像進(jìn)行切割分別提取圖像塊做檢測處理，但沒有對全局進(jìn)行檢測，導(dǎo)致檢測時部分切割邊緣被檢測為疵點；文獻(xiàn)[16]中從整體織物圖像中獲取代表織物局部紋理的LBP特征，進(jìn)而實現(xiàn)瑕疵的無監(jiān)督檢測的檢測方法在本文測試集中檢測準(zhǔn)確率只有69.95%，分析其主要原因在于此算法受限于提取LBP特征的子窗口大小，原文實驗選取子窗口大小為織物紋理最小周期的2倍左右，而其測試織物疵點周期大小都在6～11個像素之間，實驗樣本不具有實際生產(chǎn)現(xiàn)場疵點大小代表性，本文測試集樣本疵點大小不一，沒有任何人工大小篩選，具有工業(yè)現(xiàn)場數(shù)據(jù)代表性。2種傳統(tǒng)疵點檢測算法的檢測時間受限于檢測樣本疵點多少和疵點像素大小，無法進(jìn)行有效統(tǒng)計，而本文算法相比較2種傳統(tǒng)檢測算法準(zhǔn)確率分別提高25.81%和26.87%，同時檢測速度不受疵點大小影響，速度恒定且快速。本文疵點錯誤率主要來源于2種情況，一是同一張圖中出現(xiàn)2種疵點及以上類型，在分類算法中無法有效解決多目標(biāo)同時存在問題；二是疵點類型相似的圖例識別錯誤率較高，如小擦洞和小破洞這2種類型，自身區(qū)別極其微小，模型識別準(zhǔn)確率也較低。

表2 主流算法模型與本文改進(jìn)模型在訓(xùn)練數(shù)據(jù)集上的測試結(jié)果對比

為了驗證各模型和傳統(tǒng)檢測算法的泛化性能，在實驗室環(huán)境下采集自建的純色背景泳裝布料數(shù)據(jù)集上進(jìn)行實驗驗證，此數(shù)據(jù)集未參與模型訓(xùn)練，可有效對比各模型泛化能力，實驗結(jié)果如表3所示。

表3 主流算法模型與本文改進(jìn)模型在自建數(shù)據(jù)集上的測試結(jié)果對比

由表3可知，在不同的織物疵點檢測數(shù)據(jù)集上，模型泛化能力最好的是網(wǎng)絡(luò)最深的ResNet152模型，其次是改進(jìn)的ResNet50模型，只相差0.63%，但比標(biāo)準(zhǔn)ResNet50模型提升2.66%，綜合考慮模型計算量、測試精度、測試速度，改進(jìn)的ResNet50模型是性能是最好的。

4 結(jié) 論

本文提出一種基于遷移學(xué)習(xí)和改進(jìn)ResNet50網(wǎng)絡(luò)的織物疵點檢測算法，通過改進(jìn)ResNet50網(wǎng)絡(luò)第1層和殘差模塊結(jié)構(gòu)，提升了疵點檢測精度和檢測速度，可以有效識別正?？椢锖?種類型織物疵點。通過實驗結(jié)果表明：

①在疵點識別精度上，改進(jìn)ResNet50模型對正?？椢锖筒炼?、破洞、漏紗、缺緯、缺經(jīng)、跳花、多斑及其余疵點等8類常見疵點識別準(zhǔn)確率達(dá)到96.32%，識別精度對比未改進(jìn)的標(biāo)準(zhǔn)模型提升了4.2%，對比其他主流單模型識別精度可以提升7～9個百分點。

②在疵點識別速度上，改進(jìn)ResNet50模型對比未改進(jìn)的標(biāo)準(zhǔn)模型速度提升了1倍，計算量減少10%，對比其他主流單模型速度可以提升53%左右。

③在模型泛化能力上，在同一測試集中，改進(jìn)ResNet50模型對比未改進(jìn)的標(biāo)準(zhǔn)模型識別精度提升2.66%，對比傳統(tǒng)檢測模型可以提升23%左右，泛化性能力強(qiáng)，魯棒性好。

改進(jìn)ResNet50網(wǎng)絡(luò)的織物疵點檢測算法精度高、速度快、魯棒性好，泛化能力強(qiáng)，可以滿足工業(yè)生產(chǎn)現(xiàn)場對織物疵點檢測的各項指標(biāo)要求，較之人工檢出更好地滿足工業(yè)企業(yè)對織物疵點識別的需求，節(jié)省了疵點檢測人力消耗。