基于深度卷积神经网络的织物瑕疵识别方法

针对传统基于图像特征提取的瑕疵检测方法过于依赖特征提取效果，且泛化能力较差以及人工质检存在的效率低、易受主观因素影响等问题，本文提出了一种基于深度卷积神经网络的图像瑕疵识别方法，基于ResNet50卷积神经网络，构建了分类模型。并增大了输入网络的图像尺寸；采用多种图像变换增强数据；修改损失函数让模型更加关注困难样本。该模型在测试集上的AUC (Area Under Curve)值可以达到0.905，同时F1分数达到了0.81。此外本文提出了一种基于滑动窗口检测的瑕疵识别方法，提高对图像中细节的关注，大幅提升了原模型的分类性能。

瑕疵识别一直都是图像领域一个重要的分支，而布匹良品检验是纺织行业生产和质量管理的重要环节，但一直以来布匹良品和瑕疵品都是依靠人眼检验区分的。人工检验存在速度慢、劳动强度大，易受主观因素影响，缺乏一致性等问题，严重降低了纺织生产流程的自动化程度。因此，研究布匹良品自动检验方法对于实际生产有着重要意义。

目前对于布匹良品检验的方法，主要是针对布匹瑕疵检测。而布匹瑕疵图案的检测方法主要为：基于频域特征提取的方法[1] [2]；基于空间域的灰度共生矩阵法[3]；基于模型算法的自回归模型[4]；基于布匹瑕疵纹理结构的算法[5]， 混合算法[6] [7] [8] [9]等。

上述算法仅适用于背景纹理较为简单的布匹图像瑕疵检测，对于复杂背景的图像，特征提取效果较差，且泛化性能较差。

随着深度学习的兴起， 深度卷积神经网络(Deep Convolutional Neural Network)因不需要人工设计特征提取算法、模型泛化能力强等优点在计算机视觉中的应用越来越广泛。

文献[10]构建了一个具有多层结构的CNN 网络并结合softmax 来解决色织物缺陷分类的问题；文献[11]分别采用了AlexNet [12]和GoogleNet [13]对织物的花型进行分类；文献[14]验证了CNN 网络能够有效的区分钢材表面的缺陷。这些研究表明深度卷积神经网络在图像分类中具有很好的适用性，克服了传统方法的不足，但上述方法的分类准确率仍有较大的提升空间。

本文基于ResNet50 [15]深度卷积网络，分别在数据处理、网络结构和损失函数上进行改进，并构建了基于滑动窗口的分类模型， 应用于布匹瑕疵检测， 大幅提升了模型对正常布匹和瑕疵布匹的区分能力。