0 引言

织物瑕疵检测是织物生产过程中质量检验和控制的重要一步。一个有缺陷的成品布，其价值将会降低45%以上^[1]。因此，布匹的瑕疵检测非常重要。传统的瑕疵检测手段主要是通过人工目视，这种方法劳动强度大而且瑕疵的漏检率高。近些年来，机器视觉方法在瑕疵自动化检测方面快速发展，其具有效率高、漏检率低、长时间稳定运行等优点。

针对织物瑕疵的检测，国内外学者提出了许多方法，主要包括统计学方法^[2-3]、模型法^[4-5]、频谱法^[6-7]、字典学习法^[8-9]。这些方法虽然能在有限的数据上实现较高的准确率，但是对于工业中各种各样的布匹和瑕疵类型，其检测性能仍然不足。统计学方法根据织物瑕疵所引起的图像局部统计信息异常来检测瑕疵，这种方法对于特定的布料有效，但对于其余样式的布料，检测效果仍然有限。模型法将织物纹理看作是一个随机的过程，纹理图片是图像空间中所产生的样本，这种方法不仅计算复杂度高，而且对小瑕疵织物样品的检测表现不足。频谱法将时域信号转化为频域信号，根据能量标准来检测织物图片瑕疵，这种方法对简单的纹理布检测精度高，但对纹理明显的布料检测精度低，而且算法的计算量大。基于字典学习的方法可根据从训练集和测试集中学习的信息来构建字典，测试过程中重构待检测布匹图片，根据重构图片和原始图片的差值检测瑕疵，或者将图片投影到字典中检测瑕疵。这两种检测方式都需要重构图片，如果重构图片中也存在瑕疵，就会降低瑕疵检测的准确率。

近些年来，随着深度学习的快速发展，深度学习在分类任务^[10-11]、目标识别^[12-13]和语义分割^[14-15]等方面有卓越表现，证明其有独特的图像特征提取能力。因此，不少学者将深度学习应用于瑕疵检测方面研究，包括金属表面瑕疵检测^[16-17]、胶囊表面瑕疵检测^[18]、织物瑕疵检测^[19]等。基于深度学习的瑕疵检测的方法包括BP神经网络^[20]、自编码器^[21]和CNN^[22]等技术。BP神经网络通过手动提取织物的一维特征信息，然后对特征信息进行分类，这种方法具有优良的分类能力和多维函数映射能力，但是存在收敛速度慢、容易陷入局部最小值。自编码器方法通过对输入数据压缩和解压来实现瑕疵检测，这种方法对于纹理复杂、瑕疵较少的织物检测不理想。卷积神经网络方法相对于BP网络，通过共享卷积核大大降低网络的参数，这种方法准确率高，但是训练过程需要大量的样本。

织物瑕疵具有多样性、尺度不一等特点，这些因素增加了织物瑕疵检测的难度。目前，卷积神经网络算法在织物瑕疵检测方面存在如下困难：

(1)织物瑕疵在生产过程中出现的概率较小，构建大容量织物瑕疵数据库困难；

(2)不同瑕疵出现的概率不同而且同种瑕疵在不同布料的表现不同；

(3)搜集的数据库中瑕疵占图片比例差别很大，造成算法鲁棒性低。

针对以上存在的问题，本文提出利用卷积神经网络强大的分类能力来实现织物瑕疵的检测。首先针对布料中的瑕疵大小不确定，提出使用包含瑕疵边界的小图片作为负样本，将没有包含瑕疵边界的小图片作为正样本，这样同一个瑕疵可以分割成多个瑕疵样本，解决了图片中瑕疵占比不一和瑕疵图片搜集困难的问题；通过对小尺度织物图片的分类训练，将被检测的大尺度图片分割成相同尺度的小图片，判断各小图片是否有瑕疵，并在大尺度图片中标注有瑕疵小图片的位置，最终实现大尺度织物图片的瑕疵检测。本文的网络只用于检测图片中有无瑕疵，并不需要判断瑕疵的具体种类，从而避免了相同瑕疵在不同布匹中表现不同的问题。本文提出的网络结构相比于VGG16和LeNet网络结构，具有瑕疵检测速度快和检测精度高的优点，更加满足实时需求。

本文详细内容请下载:http://www.chinaaet.com/resource/share/2000003180

作者信息:

刘艳锋1，2，郑云波3，黄惠玲2，张财贵4，刘文芳2，韩 军2

(1.福州大学 电气工程与自动化学院，福建 福州350108；

2.中国科学院福建物质结构研究所，福建 福州350002；

3.海西纺织新材料工业技术晋江研究院，福建 泉州362200；

4.福州大学 物理与信息工程学院，福建 福州350108)