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

本文基于卷積神經(jīng)網(wǎng)絡，提出了短切氈缺陷分類的方法。通過旋轉(zhuǎn)、平移和翻轉(zhuǎn)對數(shù)據(jù)集進行擴充，解決了小數(shù)據(jù)樣本在深度卷積神經(jīng)網(wǎng)絡中的過擬合問題；利用遷移學習的思想加速網(wǎng)絡收斂，提高了網(wǎng)絡的泛化能力；對比了不同網(wǎng)絡結(jié)構(gòu)并選擇較好的網(wǎng)絡進行數(shù)據(jù)集驗證。結(jié)果表明，此方法能夠?qū)崿F(xiàn)短切氈缺陷的有效分類，準確率為93%。

實驗數(shù)據(jù)來源于工廠實際生產(chǎn)，使用工業(yè)相機采集短切氈樣本圖像，得到短切氈樣本數(shù)據(jù)庫。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計算機視覺庫，通過旋轉(zhuǎn)、平移和翻轉(zhuǎn)等方法對獲取的數(shù)據(jù)集進行擴充形成短切氈數(shù)據(jù)庫，共5777張，各缺陷樣本數(shù)量。將數(shù)據(jù)集數(shù)量按6:2:2的比例分為訓練集、驗證集和測試集3部分，訓練集和驗證集用于網(wǎng)絡訓練，測試集用于對訓練好的網(wǎng)絡進行性能評估。

實驗結(jié)果

1、參數(shù)設置

網(wǎng)絡采用交叉熵損失函數(shù)計算預測值和真實值之間的誤差，使用隨機梯度下降法對網(wǎng)絡參數(shù)進行迭代更新。使用遷移學習的方法將短切氈數(shù)據(jù)集在多個網(wǎng)絡結(jié)構(gòu)上進行訓練和驗證，網(wǎng)絡全連接層替換為4分類的分類器，卷積層和池化層保持卷積核大小、步長等參數(shù)不變，即保留預訓練模型的學習和提取特征的泛化能力。

2、對比參數(shù)初始化方法

保留網(wǎng)絡結(jié)構(gòu)參數(shù)的基礎上，網(wǎng)絡模型的參數(shù)初始化通常有2種方式:

1）隨機初始化網(wǎng)絡參數(shù)，輸入訓練集和驗證集進行網(wǎng)絡訓練；

2) 對遷移網(wǎng)絡結(jié)構(gòu)在源數(shù)據(jù)集上的訓練參數(shù)進行模型初始化。在VGG19網(wǎng)絡模型上對比2種初始化方法在訓練過程中訓練精度、驗證精度、訓練損失值和驗證損失值的變化。

如圖2所示，實線表示隨機初始化網(wǎng)絡參數(shù)的訓練過程，虛線表示微調(diào)網(wǎng)絡參數(shù)的訓練過程。每完成一次迭代，將驗證集樣本輸入到網(wǎng)絡結(jié)構(gòu)中，記錄驗證集的準確率并將其作為評估該模型性能的依據(jù)。實驗結(jié)果表明，第4種網(wǎng)絡初始化方式，當?shù)綌?shù)為20時，訓練精度和驗證精度趨于穩(wěn)定，驗證精度為75%;第2種方式，當?shù)螖?shù)為10時，網(wǎng)絡的訓練精度和驗證精度基本達到最大值86.5%，訓練損失值和驗證損失值達到最小。對遷移源數(shù)據(jù)集的訓練參數(shù)進行網(wǎng)絡訓練能夠更快擬合數(shù)據(jù)集且精度高。

3、微調(diào)網(wǎng)絡參數(shù)

為了提高網(wǎng)絡對數(shù)據(jù)集特征的提取能力，加速網(wǎng)絡擬合過程，基于初始化參數(shù)方式的對比，將網(wǎng)絡在大樣本數(shù)據(jù)集下的訓練參數(shù)作為權(quán)值和偏置值，并進行初始化，對比ResNet 和VGG 系列網(wǎng)絡包括ResNet18、ResNet50、ResNet101、VGG11、VGG16和VGG19對短切氈缺陷數(shù)據(jù)的表現(xiàn)，進行50次迭代，記錄每次迭代網(wǎng)絡的訓練精度、驗證精度、訓練損失值和驗證損失值，并統(tǒng)計網(wǎng)絡的建模時間，實驗結(jié)果如圖3所示，ResNet50能夠更快更好地提取短切氈缺陷特征，驗證精度達到93%。

4、模型測試

為了評價卷積神經(jīng)網(wǎng)絡在短切氈圖像分類方法的性能，采用ResNet50訓練網(wǎng)絡模型進行測試數(shù)據(jù)集的驗證。1）計算混淆矩陣，結(jié)果如圖3所示，橫坐標表示被預測短切氈數(shù)據(jù)的真實值，縱坐標表示數(shù)據(jù)的預測值。針對短切氈的４種缺陷，每類選取260張進行預測，每張的測試時間為100ms。2）計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，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)絡的短切氈缺陷分類算法對缺陷圖片進行分類。通過卷積神經(jīng)網(wǎng)絡自動提取織物缺陷特征，解決了人工提取特征不全面的問題；使用遷移學習和反向傳播算法對數(shù)據(jù)集在多個網(wǎng)絡結(jié)構(gòu)上進行模型訓練和特征提取，獲取網(wǎng)絡參數(shù)，選擇擬合能力較好的網(wǎng)絡進行測試，評估網(wǎng)絡性能。實驗結(jié)果表明，ResNet50能夠更快更好地提取短切氈缺陷特征，并且驗證精度可達到93%，能夠?qū)崿F(xiàn)數(shù)據(jù)集的有效分類。