殘差網絡在織物疵點檢測的應用

【摘 要】 目前織物疵點仍然由人工檢測，準確率低而且成本高，卷積神經網絡的發展促使疵點檢測進入了一個新的階段。其中，殘差網絡在織物疵點檢測中應用越來越廣，通過比較近年殘差網絡在疵點檢測的應用，得出結合殘差網絡能夠提升疵點的檢測。

【關鍵詞】 疵點檢測 Resnet 卷積神經網絡

布匹質量的優劣對紡織品生產的效益影響巨大，而且中國是世界上最大的服裝生產國、消費國和出口國，因此，織物的疵點檢測在紡織品生產中是尤為關鍵的一環。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量的必然趨勢。

現有的布匹瑕疵檢測方法主要分為：基于結構分析、頻譜分析、基于模型分析、學習分析等幾大類。KarleKar等人[1]提出了一種結合小波變換和形態學的算法，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，利用形態學處理和離散余弦變換自動檢測布匹疵點。Jia等人[3]通過形態學成分分析對團重復的網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準則疊置的去噪自編碼進行訓練，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。隨著卷積神經網絡的興起，被利用于各個領域。隨著卷積神經網絡的興起，被利用于各個領域。目前出現了VGG[1]、Resnet[2]、Densenet[3]等很多優秀的分類網絡，有一部分也被應用于織物的疵點檢測中。殘差網絡應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分類預訓練后得到的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及權重，將污漬、斷緯、線條、褶皺四種疵點數據集放入整個模型中進行訓練。Resnet101在測試集中，相較于原始的VGG16網絡，mAP值提高了2.3%左右，這是由于Resnet101引入了殘差學習模塊，殘差學習將神經網絡的輸出H（x）變為F（x）=H（x）-x，減弱了因為卷積層數過多而造成的梯度消失現象，提高了檢測的準確率。另外，測試了不同的非極大值抑制前后候選區域個數對mAP值得影響，發現隨著數量的減少，模型保留的錨數也隨之減少，導致檢測結果的mAP值下降。因此，選用相對較高的nms候選區域個數能夠得到較好的檢測結果。最終，采用調優的參數配置后，Faster R-CNN+ Resnet101模型得到的部分檢測結果中，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絡修改Faster R-CNN中的原始特征提取網絡。并且在Faster R-CNN的區域聲稱網絡中增加預測錨點框，提升多尺度疵點和小目標疵點的檢測能力。最終對重經重緯、斑點、破洞、斷經段緯、折痕、污漬、筘痕這七種疵點類型進行檢測，mAP達到了0.9563。

羅俊麗[6]等人針對色織物疵點，提出利用殘差網絡模型進行訓練和測試，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據集上比較遷移學習的效果發現，當數據集小時，通過遷移學習可以提升模型的識別率。

卷積神經網絡在疵點檢測領域中越來越廣，其中殘差網絡與其他算法進行結合，會使分類率增高，這對疵點檢測的發展尤為重要。

【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用[J].棉紡織技術，2019，47（02）：24-27.

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

[10] 羅俊麗，路凱.基于卷積神經網絡和遷移學習的色織物疵點檢測[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，深度學習與疵點檢測，430200。