基于卷積神經網絡算法的紡織品毛球評定研究?

林宗繆 陳 寧

（上海市質量監督檢驗技術研究院 上海 201114）

1 引言

紡織品起毛起球是評定織物服用性能的重要指標之一。紡織品在穿著洗滌使用過程中，會受到不同程度的摩擦。在外部摩擦力的作用下，纖維頭端滑動、松散并露出織物表面，形成一層毛茸，甚至纖維頭端露出后纏結形成毛球，大大降低紡織服裝產品的美觀性［1］。消費者往往覺得棄之可惜，穿著又難受。紡織物起毛起球過程如圖1所示。

圖1 紡織物起毛起球過程

傳統的紡織品起毛起球檢測是根據標準方法進行實驗，由多名專家或技術員對實驗結果進行人工目測評評定，這種方法因評判人員的專業知識和經驗差別而使評定結果有較大主觀性和不確定性。因此，需要建立一種科學的人工智能評判方法進行紡織品毛球檢測結果分析，保證評判的客觀性和準確性。

當前人工智能得到了較大的普及和發展。1997年人工智能打敗了國際象棋世界冠軍卡斯帕羅夫，2016年AlphaGo戰勝世界圍棋冠軍李世石。當前，國內外許多大公司已將人工智能作為企業戰略重心。例如，無人駕駛汽車、智慧城市大腦、智能語音、智慧醫療等。人工智能研究的核心領域在人工智能算法。目前，基于神經網絡算法的深度學習［2～4］是當前智能算法最熱鬧的研究方向。2013年，深度學習被麻省理工學院評為年度十大科技之一。深度學習應用于圖片識別、語音識別、自然語言識別、醫療智能診斷等領域。

卷積神經網絡［5～7］CNN是一種改進的人工神經網絡，在圖像識別應用上有著較低的誤識率。本文基于卷積神經網絡提出一種紡織品毛球評定方法，對紡織品起毛起球進行人工智能評定，實現較好的分類效果。

2 紡織物毛球評定算法

2.1 評定流程

基于卷積神經網絡算法的紡織品毛球評定方法流程如圖2所示。

圖2 基于CNN的紡織品毛球評定方法流程

1）采用高清相機采集實驗后的檢測樣品圖片，采用直方圖均衡化對圖片進行增強操作，減少環境干擾和圖片失真。

2）構建卷積神經網絡CNN，訓練紡織物毛球評定模型。

3）對檢測樣品進行評定分類。

2.2 評定標準

根據國標《GB/T 4802.1-2008紡織品織物起毛起球性能的測試》對于紡織物起毛起球的評定等級定義如表1所示。由專家或評定人員依據評定表格對每一塊試樣評定，以全部評定人員評級的平均值做為該樣品的評定等級。平均值如果非整數，則修約至最近的0.5級，并用-表示，如3～4級。

表1 評定等級描述

評定分級樣照如圖3所示。

圖3 紡織品毛球等級樣照

2.3 構建卷積神經網絡模型

2.3.1 卷積神經網絡

卷積神經網絡（Convolutional Neural Network，CNN）是一種適用于圖像分類的神經網絡結構，相較于以往的全連接神經網絡，CNN只在相鄰兩層之間的節點連接且權值共享［8～10］。這優化了神經網絡，降低了模型復雜度，大幅提高了運算效率。CNN一般包括五個部分：輸入層INPUT、卷積層CONV、池化層POOL、全連接層FC、Softmax層。卷積神經網絡網絡拓撲如圖3所示。

輸入層（INPUT），通常是一個三維矩陣a×b×c，代表輸入圖像的長、寬和深度，這里深度代表了圖像的色彩通道。

由于水文序列的隨機性、灰色性以及不穩定性等特征，在對徑流量進行模擬預測時產生了較大的誤差。而誤差修正模型則是對當前預測模型的補充，該方法即克服了單一方法的局限性，又高效地提高了預測模型的適用范圍以及其預測精度。文中采用ARIMA模型來對徑流量模擬產生的誤差進行修正，其具體步驟如下：

卷積層［11～13］（CONV），通過定義卷積核對輸入圖片進行特征提取。卷積表示為f(x)=wx+b。卷積核又稱濾波器或“感受野”。卷積核通過一個權重矩陣與輸入圖片的局部數據進行加權和處理，卷積核在輸入數據上滑動完成對整個圖片的特征提取。卷積特征圖計算公式為為輸出特征圖大小，win為輸入特征圖大小，F為卷積核大小，S為卷積步長。

池化層［14～15］（POOL），可以縮小圖片空間維度，保持深度不變，減少網絡連接參數，優化計算效率，防止過擬合。

全連接層（FC），前幾層已完成高度抽象的信息特征，通過全連接層來進行分類。最后一個卷積層與全連接層連接時需要做矩陣扁平化處理。

Softmax層，使用Softmax對線性輸出進行分類處理。假設原始數組V，Vi是數組的第i個元素，那么Vi的

圖4 CNN網絡結構圖

2.3.2 基于CNN紡織品毛球評定模型

基于CNN紡織品毛球評定模型進行設計與訓練。基于CNN的紡織品毛球評定神經網絡結構設計包括11個隱藏層，4個卷積層，4個池化層和3個全連接層，具體參數如表2所示。

表2 基于CNN紡織品毛球評定神經網絡結構

1）輸入層，采集質檢機構關于紡織品毛球評定圖像數據集。對圖像數據集進行預處理，去除噪聲、刪除質量差的數據。圖像預處理為RGB（100×100×3）格式。設定ratio=0.8，用于分割訓練集和驗證集，80%的數據用于模型訓練，20%的數據用于模型驗證。

3）池化層，設計4個池化層分別對應4個卷積層，大小都是2×2，深度對應著前一個卷積層。經池化后，使圖片數據降低特征維度和參數量，減小過擬合。

4）全連接層，設計3個全連接層，將卷積池化后的數組矩陣拉平成一個列向量。最后輸出為5個等級的紡織品毛球評定分類。全連接時選擇droput、L2正則項等方法降低過擬合。

5）激活函數，選擇RELU做為激活函數，該函數對數據處理具有收斂快、降梯度快的特點。

6）分類函數，選擇SOFTMAX做為分類函數，將對輸入的紡織品照片劃分為對應的五個等級類別，從而實現紡織品毛球智能評定的目標。

3 實驗結果與分析

本實驗的實驗環境選擇一臺R740XD/R730XD 2U機架式服務器。操作系統Windows 10 64bit，CPU i7-7500U 2.9 GHz，內存64GB。主機上裝有Python 3.5.2、Tensorflow 1.12.1作為大CNN算法的運行環境。

實驗數據采集了質檢院歷年的已經評定的紡織品毛球檢測數據453例。原始圖像大小為4000×3000，將圖片進行圖像增加和壓縮預處理后形成100×100×3的格式，匯總入庫。為了增加訓練和驗證數據集，我們增加對采集的數據進行位移、翻轉、變色等處理，使實驗圖片數據增加到2265個，其中80%的數據用于模型訓練，20%的數據用于模型驗證。

圖5 實驗起毛球評定數據

實驗參數設置，使用Adam優化器，設置learn?ing_rate=0.001，β1=0.9，β2=0.999。樣本訓練次數為10，梯度下降訓練模型的每批次數量為64。

基于CNN紡織品毛球評定模型訓練完成后進行驗證，準確率如表3。

表3 基于CNN紡織品毛球評定人工智能評定準確率

實驗結果總結：基于CNN紡織品毛球人工智能評定模型的綜合準確率可以達到84.87%，可以形成具有指導意義的評定結論。在1級和5級紡織品的分類準確率真達到90%左右，在2-4級紡織品分類準確率有所下降。總的來說，實驗模型已達到較有意義的評定準確率，具有較好的應用前景。實驗中存在幾個問題需要后續研究解決。一方面本評定模型的準確率仍有提高空間，后續工作將對CNN模型的結構和層級進行優化以提高成功率，另一方面，在數據上需要采集更多高質量的圖像數據，來建立更完善的模型訓練庫。

4 結語

本文研究了一種基于CNN紡織品毛球人工智能評定方法，將卷積神經網絡算法應用于紡織品毛球等級評定，通過實驗表明這種紡織品毛球智能方法識別速度快，準確率較好。相較于傳統的復雜的專家人員目測評定，這種方法具有更客觀、更簡便的優點，這有助于推進人工智能檢測的發展。