短切氈在生產(chǎn)過程中，不可避免地會(huì)出現(xiàn)分散不良、紗結(jié)、并條和異物等缺陷，因此，在質(zhì)量檢測(cè)過程中，統(tǒng)計(jì)短切氈缺陷的數(shù)目并分析缺陷形成的原因，有針對(duì)性地進(jìn)行生產(chǎn)指導(dǎo)，對(duì)提高產(chǎn)品質(zhì)量有重要意義。

本文基于卷積神經(jīng)網(wǎng)絡(luò)，提出了短切氈缺陷分類的方法。通過旋轉(zhuǎn)、平移和翻轉(zhuǎn)對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充，解決了小數(shù)據(jù)樣本在深度卷積神經(jīng)網(wǎng)絡(luò)中的過擬合問題；利用遷移學(xué)習(xí)的思想加速網(wǎng)絡(luò)收斂，提高了網(wǎng)絡(luò)的泛化能力；對(duì)比了不同網(wǎng)絡(luò)結(jié)構(gòu)并選擇較好的網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)集驗(yàn)證。結(jié)果表明，此方法能夠?qū)崿F(xiàn)短切氈缺陷的有效分類，準(zhǔn)確率為93%。

實(shí)驗(yàn)數(shù)據(jù)來源于工廠實(shí)際生產(chǎn)，使用工業(yè)相機(jī)采集短切氈樣本圖像，得到短切氈樣本數(shù)據(jù)庫(kù)。目前，工業(yè)上的短切氈缺陷主要有分散不良、并條、異物和紗結(jié)4種類型。利用OpenCV計(jì)算機(jī)視覺庫(kù)，通過旋轉(zhuǎn)、平移和翻轉(zhuǎn)等方法對(duì)獲取的數(shù)據(jù)集進(jìn)行擴(kuò)充形成短切氈?jǐn)?shù)據(jù)庫(kù)，共5777張，各缺陷樣本數(shù)量。將數(shù)據(jù)集數(shù)量按6:2:2的比例分為訓(xùn)練集、驗(yàn)證集和測(cè)試集3部分，訓(xùn)練集和驗(yàn)證集用于網(wǎng)絡(luò)訓(xùn)練，測(cè)試集用于對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行性能評(píng)估。

實(shí)驗(yàn)結(jié)果

1、參數(shù)設(shè)置

網(wǎng)絡(luò)采用交叉熵?fù)p失函數(shù)計(jì)算預(yù)測(cè)值和真實(shí)值之間的誤差，使用隨機(jī)梯度下降法對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行迭代更新。使用遷移學(xué)習(xí)的方法將短切氈?jǐn)?shù)據(jù)集在多個(gè)網(wǎng)絡(luò)結(jié)構(gòu)上進(jìn)行訓(xùn)練和驗(yàn)證，網(wǎng)絡(luò)全連接層替換為4分類的分類器，卷積層和池化層保持卷積核大小、步長(zhǎng)等參數(shù)不變，即保留預(yù)訓(xùn)練模型的學(xué)習(xí)和提取特征的泛化能力。

2、對(duì)比參數(shù)初始化方法

保留網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)的基礎(chǔ)上，網(wǎng)絡(luò)模型的參數(shù)初始化通常有2種方式:

1）隨機(jī)初始化網(wǎng)絡(luò)參數(shù)，輸入訓(xùn)練集和驗(yàn)證集進(jìn)行網(wǎng)絡(luò)訓(xùn)練；

2) 對(duì)遷移網(wǎng)絡(luò)結(jié)構(gòu)在源數(shù)據(jù)集上的訓(xùn)練參數(shù)進(jìn)行模型初始化。在VGG19網(wǎng)絡(luò)模型上對(duì)比2種初始化方法在訓(xùn)練過程中訓(xùn)練精度、驗(yàn)證精度、訓(xùn)練損失值和驗(yàn)證損失值的變化。

如圖2所示，實(shí)線表示隨機(jī)初始化網(wǎng)絡(luò)參數(shù)的訓(xùn)練過程，虛線表示微調(diào)網(wǎng)絡(luò)參數(shù)的訓(xùn)練過程。每完成一次迭代，將驗(yàn)證集樣本輸入到網(wǎng)絡(luò)結(jié)構(gòu)中，記錄驗(yàn)證集的準(zhǔn)確率并將其作為評(píng)估該模型性能的依據(jù)。實(shí)驗(yàn)結(jié)果表明，第4種網(wǎng)絡(luò)初始化方式，當(dāng)?shù)綌?shù)為20時(shí)，訓(xùn)練精度和驗(yàn)證精度趨于穩(wěn)定，驗(yàn)證精度為75%;第2種方式，當(dāng)?shù)螖?shù)為10時(shí)，網(wǎng)絡(luò)的訓(xùn)練精度和驗(yàn)證精度基本達(dá)到最大值86.5%，訓(xùn)練損失值和驗(yàn)證損失值達(dá)到最小。對(duì)遷移源數(shù)據(jù)集的訓(xùn)練參數(shù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練能夠更快擬合數(shù)據(jù)集且精度高。

3、微調(diào)網(wǎng)絡(luò)參數(shù)

為了提高網(wǎng)絡(luò)對(duì)數(shù)據(jù)集特征的提取能力，加速網(wǎng)絡(luò)擬合過程，基于初始化參數(shù)方式的對(duì)比，將網(wǎng)絡(luò)在大樣本數(shù)據(jù)集下的訓(xùn)練參數(shù)作為權(quán)值和偏置值，并進(jìn)行初始化，對(duì)比ResNet 和VGG 系列網(wǎng)絡(luò)包括ResNet18、ResNet50、ResNet101、VGG11、VGG16和VGG19對(duì)短切氈缺陷數(shù)據(jù)的表現(xiàn)，進(jìn)行50次迭代，記錄每次迭代網(wǎng)絡(luò)的訓(xùn)練精度、驗(yàn)證精度、訓(xùn)練損失值和驗(yàn)證損失值，并統(tǒng)計(jì)網(wǎng)絡(luò)的建模時(shí)間，實(shí)驗(yàn)結(jié)果如圖3所示，ResNet50能夠更快更好地提取短切氈缺陷特征，驗(yàn)證精度達(dá)到93%。

4、模型測(cè)試

為了評(píng)價(jià)卷積神經(jīng)網(wǎng)絡(luò)在短切氈圖像分類方法的性能，采用ResNet50訓(xùn)練網(wǎng)絡(luò)模型進(jìn)行測(cè)試數(shù)據(jù)集的驗(yàn)證。1）計(jì)算混淆矩陣，結(jié)果如圖3所示，橫坐標(biāo)表示被預(yù)測(cè)短切氈?jǐn)?shù)據(jù)的真實(shí)值，縱坐標(biāo)表示數(shù)據(jù)的預(yù)測(cè)值。針對(duì)短切氈的４種缺陷，每類選取260張進(jìn)行預(yù)測(cè)，每張的測(cè)試時(shí)間為100ms。2）計(jì)算該算法的分類精確率p、召回率R及F1。F1 綜合了P和R的判斷指標(biāo)，F(xiàn)1的取值范圍為0到1，1表示效果最好，0表示效果最差。

采用基于卷積神經(jīng)網(wǎng)絡(luò)的短切氈缺陷分類算法對(duì)缺陷圖片進(jìn)行分類。通過卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取織物缺陷特征，解決了人工提取特征不全面的問題；使用遷移學(xué)習(xí)和反向傳播算法對(duì)數(shù)據(jù)集在多個(gè)網(wǎng)絡(luò)結(jié)構(gòu)上進(jìn)行模型訓(xùn)練和特征提取，獲取網(wǎng)絡(luò)參數(shù)，選擇擬合能力較好的網(wǎng)絡(luò)進(jìn)行測(cè)試，評(píng)估網(wǎng)絡(luò)性能。實(shí)驗(yàn)結(jié)果表明，ResNet50能夠更快更好地提取短切氈缺陷特征，并且驗(yàn)證精度可達(dá)到93%，能夠?qū)崿F(xiàn)數(shù)據(jù)集的有效分類。