曾永恒，張鵬飛，郭龍龍，臧紹飛

(河南科技大學信息工程學院，河南 洛陽471023)

0 引言

在紡織生產(chǎn)中，布匹產(chǎn)生瑕疵的原因多種多樣。目前，我國紡織品的瑕疵檢測主要依賴人工，導致存在誤檢率高、成本高、效率低等不足[1]。因此，探尋新的紡織品瑕疵檢測方法對我國紡織業(yè)的發(fā)展有著重要意義。

目前，紡織品瑕疵檢測方法主要分為兩類[2]：一類是傳統(tǒng)圖像處理方法：如基于空間域的統(tǒng)計方法、基于頻率域的譜方法；另一類是基于深度學習的方法，本文方法屬于第二類。當前，基于深度學習的目標檢測算法分為兩類，分別是以YOLO系列為代表的One-stage網(wǎng)絡和以Faster-RCNN為代表的Two-stage網(wǎng)絡[3]。二者相較，One-stage網(wǎng)絡速度更快，但準確性低于Two-stage。

為此，本文提出一種基于樹莓派與深度神經(jīng)網(wǎng)絡的紡織物瑕疵檢測系統(tǒng)。該系統(tǒng)分為軟、硬件兩部分。軟件部分是將YOLOv3算法用于紡織品瑕疵缺陷檢測任務。該算法的輕量級版本與樹莓派相結合，既可兼顧經(jīng)濟性和實用性要求，又可提升紡織物瑕疵檢測精度。硬件部分采用攝像頭結合樹莓派進行實時檢測，既降低技術成本又增強了系統(tǒng)的移動性。

1 系統(tǒng)硬件設計

實際應用中，圖像采集、數(shù)據(jù)處理系統(tǒng)通常由工業(yè)相機、采集卡、工控機等組成。本系統(tǒng)硬件部分采用中央處理器、顯示器、攝像頭等構成。樹莓派因功耗低、體積小、成本低和運算能力強等優(yōu)點[4]，被選為本系統(tǒng)的嵌入式開發(fā)設備，其參數(shù)如表1所示。攝像頭型號為通用型P5V04A。

表1 樹莓派參數(shù)

2 系統(tǒng)軟件設計

文中樹莓派選用Raspbian系統(tǒng)。采用YOLOv3進行瑕疵檢測，由于在訓練過程中會產(chǎn)生大量參數(shù)，對計算設備要求較高。因此，選擇先在PC機上離線訓練模型，再將已訓練模型移植嵌入式系統(tǒng)，實現(xiàn)檢測任務。

YOLO系列目標檢測具有檢測速度快、魯棒性強、誤判率低等優(yōu)點。YOLOv3[5]是YOLO系列的第三代算法，模型結構如圖1所示。

該算法的主干特征提取網(wǎng)絡為Darknet-53，并引入了殘差結構，既解決了梯度爆炸問題，又可捕捉不同尺度的特征信息，使得特征提取網(wǎng)絡更易訓練與優(yōu)化。

YOLOv3算法的損失函數(shù)由定位損失、置信度損失和分類損失三部分組成。定位損失使用方差函數(shù)計算，目標置信度損失和類別損失都使用二值交叉熵函數(shù)計算，其損失函數(shù)如式(1)。其中,lbox(l,g)為目標定位偏移量損失函數(shù)；lobj(o,c)為目標置信度損失函數(shù)；lcls(O,C)為目標類別損失函數(shù)；λ1、λ2、λ3為平衡權重系數(shù)。

loss=λ1lbox(l,g)+λ2lobj(o,c)+λ3lcls(O,C) .

(1)

圖1 YOLOv3模型結構

為了進一步適應樹莓派，我們選擇YOLOv3的tiny版[6]，它具有精簡、實時性高和高檢測精度的特點。該網(wǎng)絡采用7層卷積層和最大池化層的網(wǎng)絡提取特征，在檢測層中將YOLOv3的3個檢測層縮減為了2個，其網(wǎng)絡結構如圖2。

圖2 YOLOv3-tiny模型結構

3 實驗

3.1 實驗環(huán)境與數(shù)據(jù)集

本實驗的編程環(huán)境為Python3.6,使用深度學習框架Cuda10.1運算平臺和Cudnn8.0加速庫。PC機硬件配置為Intel(R) Core(TM)i7-9750H CPU @ 2.60 GHz、NVIDA GTX1650顯卡、操作系統(tǒng)為Ubuntu16.04。

圖3 數(shù)據(jù)集瑕疵類型

我們采用自己創(chuàng)建的紡織物圖像數(shù)據(jù)集進行實驗，它包含雙緯、竹節(jié)、異纖、拖紗4類瑕疵(如圖3)。使用退化、翻轉、縮放等對數(shù)據(jù)集進行擴展，得到每類圖像1000張，使用Labeling軟件進行圖像標注。采用800張訓練，200張測試。

3.2 模型設置

在模型訓練中，輸入圖像像素為416×416，IOU閾值為0.45，學習率為0.001，迭代次數(shù)為5000，衰減系數(shù)為0.0005。設置batch=128，subdivision=16，batch值與訓練效果成正比關系，subdivision值與內(nèi)存占用成反比關系。

3.3 基于樹莓派的驗證

為驗證基于樹莓派進行紡織物瑕疵檢測的可行性，將在PC端訓練后的YOLOv3-tiny算法部署至樹莓派中運行，通過pi相機進行實時檢測，在屏幕上顯示實時目標檢測結果。官方版本YOLOv3-tiny主要通過GPU進行運算，對于樹莓派4B來說運行效果較差，采用darknet-NNPACK神經(jīng)網(wǎng)絡加速庫，可以在樹莓派4B上優(yōu)化到不錯的水平。NNPACK是一個卷積神經(jīng)網(wǎng)絡的加速包，可以在多核CPU的平臺上提高卷積層的計算性能。移植后的樹莓派檢測速率可達2 fps。檢測結果見圖4。

圖4 檢測結果

4 結論

在該文中，設計了一種基于樹莓派與深度學習的目標檢測算法，實現(xiàn)紡織物瑕疵檢測。該方法采用YOLOv3-tiny進行瑕疵的檢測與識別，并在PC和樹莓派上結合攝像頭進行實時檢測。實驗結果表明，該算法在PC端的運行速度28 fps、準確率達83%，在樹莓派中運行時速度2 fps、準確率達83%。該系統(tǒng)在樹莓派中運行時精度可以滿足要求，但速度較慢。未來會通過對YOLOv3-tiny模型進行壓縮，以提升設計方法在樹莓派運行平臺上的檢測速度，作為新的研究方向。