0 引言

    織物瑕疵檢測(cè)是織物生產(chǎn)過程中質(zhì)量檢驗(yàn)和控制的重要一步。一個(gè)有缺陷的成品布，其價(jià)值將會(huì)降低45%以上^[1]。因此，布匹的瑕疵檢測(cè)非常重要。傳統(tǒng)的瑕疵檢測(cè)手段主要是通過人工目視，這種方法勞動(dòng)強(qiáng)度大而且瑕疵的漏檢率高。近些年來(lái)，機(jī)器視覺方法在瑕疵自動(dòng)化檢測(cè)方面快速發(fā)展，其具有效率高、漏檢率低、長(zhǎng)時(shí)間穩(wěn)定運(yùn)行等優(yōu)點(diǎn)。

    針對(duì)織物瑕疵的檢測(cè)，國(guó)內(nèi)外學(xué)者提出了許多方法，主要包括統(tǒng)計(jì)學(xué)方法^[2-3]、模型法^[4-5]、頻譜法^[6-7]、字典學(xué)習(xí)法^[8-9]。這些方法雖然能在有限的數(shù)據(jù)上實(shí)現(xiàn)較高的準(zhǔn)確率，但是對(duì)于工業(yè)中各種各樣的布匹和瑕疵類型，其檢測(cè)性能仍然不足。統(tǒng)計(jì)學(xué)方法根據(jù)織物瑕疵所引起的圖像局部統(tǒng)計(jì)信息異常來(lái)檢測(cè)瑕疵，這種方法對(duì)于特定的布料有效，但對(duì)于其余樣式的布料，檢測(cè)效果仍然有限。模型法將織物紋理看作是一個(gè)隨機(jī)的過程，紋理圖片是圖像空間中所產(chǎn)生的樣本，這種方法不僅計(jì)算復(fù)雜度高，而且對(duì)小瑕疵織物樣品的檢測(cè)表現(xiàn)不足。頻譜法將時(shí)域信號(hào)轉(zhuǎn)化為頻域信號(hào)，根據(jù)能量標(biāo)準(zhǔn)來(lái)檢測(cè)織物圖片瑕疵，這種方法對(duì)簡(jiǎn)單的紋理布檢測(cè)精度高，但對(duì)紋理明顯的布料檢測(cè)精度低，而且算法的計(jì)算量大。基于字典學(xué)習(xí)的方法可根據(jù)從訓(xùn)練集和測(cè)試集中學(xué)習(xí)的信息來(lái)構(gòu)建字典，測(cè)試過程中重構(gòu)待檢測(cè)布匹圖片，根據(jù)重構(gòu)圖片和原始圖片的差值檢測(cè)瑕疵，或者將圖片投影到字典中檢測(cè)瑕疵。這兩種檢測(cè)方式都需要重構(gòu)圖片，如果重構(gòu)圖片中也存在瑕疵，就會(huì)降低瑕疵檢測(cè)的準(zhǔn)確率。

    近些年來(lái)，隨著深度學(xué)習(xí)的快速發(fā)展，深度學(xué)習(xí)在分類任務(wù)^[10-11]、目標(biāo)識(shí)別^[12-13]和語(yǔ)義分割^[14-15]等方面有卓越表現(xiàn)，證明其有獨(dú)特的圖像特征提取能力。因此，不少學(xué)者將深度學(xué)習(xí)應(yīng)用于瑕疵檢測(cè)方面研究，包括金屬表面瑕疵檢測(cè)^[16-17]、膠囊表面瑕疵檢測(cè)^[18]、織物瑕疵檢測(cè)^[19]等。基于深度學(xué)習(xí)的瑕疵檢測(cè)的方法包括BP神經(jīng)網(wǎng)絡(luò)^[20]、自編碼器^[21]和CNN^[22]等技術(shù)。BP神經(jīng)網(wǎng)絡(luò)通過手動(dòng)提取織物的一維特征信息，然后對(duì)特征信息進(jìn)行分類，這種方法具有優(yōu)良的分類能力和多維函數(shù)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(duì)輸入數(shù)據(jù)壓縮和解壓來(lái)實(shí)現(xiàn)瑕疵檢測(cè)，這種方法對(duì)于紋理復(fù)雜、瑕疵較少的織物檢測(cè)不理想。卷積神經(jīng)網(wǎng)絡(luò)方法相對(duì)于BP網(wǎng)絡(luò)，通過共享卷積核大大降低網(wǎng)絡(luò)的參數(shù)，這種方法準(zhǔn)確率高，但是訓(xùn)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(diǎn)，這些因素增加了織物瑕疵檢測(cè)的難度。目前，卷積神經(jīng)網(wǎng)絡(luò)算法在織物瑕疵檢測(cè)方面存在如下困難：

    (1)織物瑕疵在生產(chǎn)過程中出現(xiàn)的概率較小，構(gòu)建大容量織物瑕疵數(shù)據(jù)庫(kù)困難；

    (2)不同瑕疵出現(xiàn)的概率不同而且同種瑕疵在不同布料的表現(xiàn)不同；

    (3)搜集的數(shù)據(jù)庫(kù)中瑕疵占圖片比例差別很大，造成算法魯棒性低。

    針對(duì)以上存在的問題，本文提出利用卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的分類能力來(lái)實(shí)現(xiàn)織物瑕疵的檢測(cè)。首先針對(duì)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(fù)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(gè)瑕疵可以分割成多個(gè)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(duì)小尺度織物圖片的分類訓(xùn)練，將被檢測(cè)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(biāo)注有瑕疵小圖片的位置，最終實(shí)現(xiàn)大尺度織物圖片的瑕疵檢測(cè)。本文的網(wǎng)絡(luò)只用于檢測(cè)圖片中有無(wú)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(xiàn)不同的問題。本文提出的網(wǎng)絡(luò)結(jié)構(gòu)相比于VGG16和LeNet網(wǎng)絡(luò)結(jié)構(gòu)，具有瑕疵檢測(cè)速度快和檢測(cè)精度高的優(yōu)點(diǎn)，更加滿足實(shí)時(shí)需求。

本文詳細(xì)內(nèi)容請(qǐng)下載:http://www.shi-ke.cn/resource/share/2000003180

作者信息:

劉艷鋒1，2，鄭云波3，黃惠玲2，張財(cái)貴4，劉文芳2，韓  軍2

(1.福州大學(xué) 電氣工程與自動(dòng)化學(xué)院，福建 福州350108；

2.中國(guó)科學(xué)院福建物質(zhì)結(jié)構(gòu)研究所，福建 福州350002；

3.海西紡織新材料工業(yè)技術(shù)晉江研究院，福建 泉州362200；

4.福州大學(xué) 物理與信息工程學(xué)院，福建 福州350108)