FDAT：基于AlexNet 遷移學習的紡織物疵點分類方法?

馮一凡 師 昕 趙雪青

（西安工程大學計算機科學學院 西安 710048）

1 引言

我國作為世界上最大的紡織產品生產貿易國家，紡織行業是我國現代經濟中非常重要的一部分，但在紡織產品大量生產的現代社會，仍然存在大量的紡織產品疵點，不同程度的紡織產品疵點以及不同種類的紡織產品疵點，會對紡織產品造成不同的影響［1～2］。目前，紡織產品疵點的檢測主要還是人工依靠視覺離線檢測來完成的，該方法存在檢測速度低，檢測結果要依靠檢驗人員主觀印象，導致檢驗結果誤檢率以及漏檢率高等缺點［3］。

基于統計的方法，針對紡織產品疵點區域與正常區域的顏色統計上存在一定的差異性，對于紡織產品正常區域特征穩定且區域統一，而存在疵點現象的區域其特征變現在與正常區域存在誤差，因此傳統的基于統計方法的紡織產品疵點檢測主要利用灰度共生矩陣，形態學處理等方法［4～6］。但由于紡織產品疵點存在的位置不確定，以及紡織產品紋理具有隨機性，因此很難準確地使用統計方法對特征進行疵點檢測，進行分類。基于頻域分析的紡織產品疵點檢測方法，主要是通過將紡織產品疵點圖像從空間域轉換為頻域，在頻域中對圖像進行分析處理，常見的有是用數學方法的小波變換、Gabor變換、傅里葉變換等［7～9］。基于機器學習的紡織產品疵點檢測方法［10～13］，主要包含基于字典與基于深度學習的方法，字典學習是利用正常紡織產品圖像塊學習出字典集，進而通過稀疏矩陣重構正常紋理圖像，根據正常圖像與測試圖像的統計進行分類；基于深度學習的方法，主要是利用深度卷積學習網絡相應的參數以解決相對應的問題，但是基于深度學習的方法雖然在結果上有一定的優勢，但是在模型訓練過程中需要大量的數據集進行參數的訓練，耗費大量的時間成本，并且在基于小樣本數據時，準確率較低。

基于此，本文提出了基于遷移學習的紡織產品疵點分類方法，通過利用原始模型在ImageNet數據集［14］上進行預訓練得到的參數，將其遷移到本文所使用的AlexNet模型中，進行實驗，本文的結果不管是在準確率方向還是在時間方向，與傳統的方法例如小波變換，人工神經網絡以及基于機器學習的方法DenseNet［15］還是ResNet［16］或 者Xception［17］方法對比，都有一定的耗時、準確率優勢。

2 基于遷移學習的AlexNet模型

2.1 遷移學習

在一些領域，如生物信息學，機器人技術，紡織產品識別技術，由于數據獲取過程的困難以及獲取價格昂貴，構建一個大規模數據集是一個困難的過程，這在很大程度上限制了其開發。

遷移學習的誕生，讓小數據模型有了很大的發展，放寬了訓練數據必須是獨立的和同分布的假定，利用遷移學習的方法來解決訓練數據不足的問題［18］。2010年Pan等［19］提出了遷移學習的概念，即利用現有領域的知識來提高目標領域解決訓練數據稀缺和過擬合相關問題的能力。換句話說，將先前獲取的知識用于學習未知知識，以避免對學習未知領域的巨大投資，從而減少過度的資源浪費。隨著深度學習的發展，基于深度學習的遷移學習可分為基于映射的深度遷移學習［20］、基于實例的深度遷移學習［21～22］、基于對抗學習的深度遷移學習［23～25］以及基于網絡的深度遷移學習［26～27］。遷移學習的網絡模型的優點是數據依賴小、網絡訓練速度快、學習效率高。遷移學習是將在源域訓練的模型參數遷移到新模型中，并應用到目標域，以幫助新模型的訓練和求解。

2.2 模型結構

如圖1 所示，將AlexNet 卷積神經網絡在大型數據集ImageNet上進行充分的訓練，在ImageNet數據集上學習到圖像分類識別所需要的大量特征知識，參數框架等信息遷移到AlexNet，應用在紡織產品疵點分類問題。本文使用的遷移方式是參數遷移，重新初始化網絡中的部分層數，保留原有卷積層結構，并搭建新全連接層和歸一化層，使用網絡預訓練好的權重參數，如表1 所示，應用在新數據集的分類過程中。本文提出的模型是基于AlexNet的遷移學習模型，應用在紡織產品疵點檢測分類，簡稱FDAT 模型（fabric defect classification based on AlexNet using transfer learning）。相較于傳統的分類識別方法，通過遷移學習的方法實現紡織產品疵點的分類識別，無需人工在數據中挖掘相關數據特征。通過ImageNet數據集上進行預訓練的AlexNet網絡，避免網絡過擬合，或陷入局部最優解。

表1 FDAT模型網絡參數

表2 參數設置

圖1 遷移學習模型框架圖

3 實驗結果與分析

本文采用了TILDA紡織產品疵點數據集，如圖2 所示，TILDA 數據集包含飛來物、破洞、紗疵、油污、竹節等五種類別的紡織產品疵點現象，每個類別包含50 張圖像，每張圖像的大小不一，共250 張圖像，隨即分80%為訓練集，20%為測試集。為測試本文提出的FDAT 模型的性能，對比了DenseNet，ResNet，Xception，小波變換，人工神經網絡等方法在不同評價指標下的實驗結果。實驗平臺為Matlab R2019a，Intel Core，i7，CPU 2.60GHz。

圖2 數據集

3.1 評價指標

為了量化比較本文提出的方法與其他分類方法的性能。研究人員使用通用評估標準（準確率）來衡量模型的性能。P 是分類結果為正樣本的數目，N 是分類結果為負樣本的結果，為了計算該指數，使用真陽性（TP）、真陰性（TN）、假陽性（FP）和假陰性（FN）。Accuracy（準確率）表示所有樣本中可以準確預測的百分比，描述了分類方法的整體性能。

3.2 參數設置

為了提高模型準確率，縮短模型訓練時間，減少資源消耗，本文提出模型的具體參數設置如下表1 所示。其中，Epoch 是指對所有圖像進行完整的訓練訓練期間選擇的數據集。Batch size 是指批次的數量樣本，即每次發送到訓練的圖像數量。Learning rate決定著目標函數能否收斂到局部最小值以及何時收斂到最小值，代表了神經網絡中隨時間推移，信息累積的速度。

3.3 結果分析

本文提出的FDAT 模型在TILDA 數據集上訓練時的準確率曲線如圖3 所示，準確率越高模型越準確，其中迭代次數在40 次時模型準確率穩定在98%；模型訓練時的損失函數曲線如圖4所示，損失值越低越好，其中迭代次數在40次后趨于0。

圖3 FDAT模型的準確率曲線

圖4 FDAT模型的損失函數曲線

本文提出的FDAT 模型在TILDA 數據集上訓練時訓練集和測試集的比例為8∶2，即每個類別包含10 張測試集圖像，本文使用準確率以及時間兩個評價指標來評價本文提出的FDAT 模型與DenseNet，ResNet，XceptionNet，小波變換，人工神經網絡等方法的性能對比，如圖5 所示，DenseNet準確率為96.00%，ResNet 準確率為98.00%，XceptionNet 準確率為96.00%，人工神經網絡準確率為88.00%，小波變換準確率為94.00%，ResNet 準確率與本文提出的FDAT方法的準確率皆為98.00%，但是在時間維度上，相較于其他算法，本文提出方法在同等數據集下用時9min，本文提出的FDAT 算法在時間，準確率上與同等模型相比具有一定的優越性。模型測試的混淆矩陣結果如圖6 所示，由于破洞與紗疵圖像存在一定的相似性，在破洞的分類預測結果中，只有90%的正確率，有一張圖像被預測為紗疵。但飛來物、紗疵、油污竹節的分類準確率均為100%，說明本文提出的FDAT 模型在準確率方面有一定的優越性。

圖5 不同算法在TILDA數據集上的時間與準確率對比

圖6 混淆矩陣結果

4 結語

本文提出基于AlexNet遷移學習的紡織產品疵點分類方法，將在Image Net 上進行預訓練好的AlexNet模型參數遷移到到數據量較小的目標數據集，保留原有卷積層結構并搭建新全連接層和歸一化層對數據進行分類。訓練集和測試集均使用TILDA 數據集，不同圖像類別間疵點的差異較小，經過遷移學習后的FDAT 方法準確率高達98%且耗時較小，具有較強的普適性，并在時間維度相對于其他算法耗時較小。