0 引言

    織物瑕疵檢測是織物生產過程中質量檢驗和控制的重要一步。一個有缺陷的成品布，其價值將會降低45%以上^[1]。因此，布匹的瑕疵檢測非常重要。傳統的瑕疵檢測手段主要是通過人工目視，這種方法勞動強度大而且瑕疵的漏檢率高。近些年來，機器視覺方法在瑕疵自動化檢測方面快速發展，其具有效率高、漏檢率低、長時間穩定運行等優點。

    針對織物瑕疵的檢測，國內外學者提出了許多方法，主要包括統計學方法^[2-3]、模型法^[4-5]、頻譜法^[6-7]、字典學習法^[8-9]。這些方法雖然能在有限的數據上實現較高的準確率，但是對于工業中各種各樣的布匹和瑕疵類型，其檢測性能仍然不足。統計學方法根據織物瑕疵所引起的圖像局部統計信息異常來檢測瑕疵，這種方法對于特定的布料有效，但對于其余樣式的布料，檢測效果仍然有限。模型法將織物紋理看作是一個隨機的過程，紋理圖片是圖像空間中所產生的樣本，這種方法不僅計算復雜度高，而且對小瑕疵織物樣品的檢測表現不足。頻譜法將時域信號轉化為頻域信號，根據能量標準來檢測織物圖片瑕疵，這種方法對簡單的紋理布檢測精度高，但對紋理明顯的布料檢測精度低，而且算法的計算量大。基于字典學習的方法可根據從訓練集和測試集中學習的信息來構建字典，測試過程中重構待檢測布匹圖片，根據重構圖片和原始圖片的差值檢測瑕疵，或者將圖片投影到字典中檢測瑕疵。這兩種檢測方式都需要重構圖片，如果重構圖片中也存在瑕疵，就會降低瑕疵檢測的準確率。

    近些年來，隨著深度學習的快速發展，深度學習在分類任務^[10-11]、目標識別^[12-13]和語義分割^[14-15]等方面有卓越表現，證明其有獨特的圖像特征提取能力。因此，不少學者將深度學習應用于瑕疵檢測方面研究，包括金屬表面瑕疵檢測^[16-17]、膠囊表面瑕疵檢測^[18]、織物瑕疵檢測^[19]等。基于深度學習的瑕疵檢測的方法包括BP神經網絡^[20]、自編碼器^[21]和CNN^[22]等技術。BP神經網絡通過手動提取織物的一維特征信息，然后對特征信息進行分類，這種方法具有優良的分類能力和多維函數映射能力，但是存在收斂速度慢、容易陷入局部最小值。自編碼器方法通過對輸入數據壓縮和解壓來實現瑕疵檢測，這種方法對于紋理復雜、瑕疵較少的織物檢測不理想。卷積神經網絡方法相對于BP網絡，通過共享卷積核大大降低網絡的參數，這種方法準確率高，但是訓練過程需要大量的樣本。

    織物瑕疵具有多樣性、尺度不一等特點，這些因素增加了織物瑕疵檢測的難度。目前，卷積神經網絡算法在織物瑕疵檢測方面存在如下困難：

    (1)織物瑕疵在生產過程中出現的概率較小，構建大容量織物瑕疵數據庫困難；

    (2)不同瑕疵出現的概率不同而且同種瑕疵在不同布料的表現不同；

    (3)搜集的數據庫中瑕疵占圖片比例差別很大，造成算法魯棒性低。

    針對以上存在的問題，本文提出利用卷積神經網絡強大的分類能力來實現織物瑕疵的檢測。首先針對布料中的瑕疵大小不確定，提出使用包含瑕疵邊界的小圖片作為負樣本，將沒有包含瑕疵邊界的小圖片作為正樣本，這樣同一個瑕疵可以分割成多個瑕疵樣本，解決了圖片中瑕疵占比不一和瑕疵圖片搜集困難的問題；通過對小尺度織物圖片的分類訓練，將被檢測的大尺度圖片分割成相同尺度的小圖片，判斷各小圖片是否有瑕疵，并在大尺度圖片中標注有瑕疵小圖片的位置，最終實現大尺度織物圖片的瑕疵檢測。本文的網絡只用于檢測圖片中有無瑕疵，并不需要判斷瑕疵的具體種類，從而避免了相同瑕疵在不同布匹中表現不同的問題。本文提出的網絡結構相比于VGG16和LeNet網絡結構，具有瑕疵檢測速度快和檢測精度高的優點，更加滿足實時需求。

本文詳細內容請下載:http://m.jysgc.com/resource/share/2000003180

作者信息:

劉艷鋒1，2，鄭云波3，黃惠玲2，張財貴4，劉文芳2，韓  軍2

(1.福州大學 電氣工程與自動化學院，福建 福州350108；

2.中國科學院福建物質結構研究所，福建 福州350002；

3.海西紡織新材料工業技術晉江研究院，福建 泉州362200；

4.福州大學 物理與信息工程學院，福建 福州350108)