残差网络在织物疵点检测的应用

2020-12-29 11:55刘孔玲
大经贸 2020年7期
关键词:卷积神经网络

【摘 要】 目前织物疵点仍然由人工检测,准确率低而且成本高,卷积神经网络的发展促使疵点检测进入了一个新的阶段。其中,残差网络在织物疵点检测中应用越来越广,通过比较近年残差网络在疵点检测的应用,得出结合残差网络能够提升疵点的检测。

【关键词】 疵点检测 Resnet 卷积神经网络

布匹质量的优劣对纺织品生产的效益影响巨大,而且中国是世界上最大的服装生产国、消费国和出口国,因此,织物的疵点检测在纺织品生产中是尤为关键的一环。但目前,我国的布匹检测依然使用人工检测的方式进行。但利用人工检测方式存在主观性强,效率低以及成本高的问题。工人在长时间检测布匹之后会出现眼睛疲劳,对眼睛有害以及检测效率会越来越低。因此,使用疵点自动化检测成为了提高布匹质量的必然趋势。

现有的布匹瑕疵检测方法主要分为:基于结构分析、频谱分析、基于模型分析、学习分析等几大类。KarleKar等人[1]提出了一種结合小波变换和形态学的算法,通过检测布匹纹理来提取瑕疵信息。邓超等人[2]提出一种基于边缘检测的快速检测算法,利用形态学处理和离散余弦变换自动检测布匹疵点。Jia等人[3]通过形态学成分分析对团重复的网格花纹布匹自动分割,再通过Gabor滤波器检测疵点信息。Li等人[4]将织物图像分割成大小相同的碎块,利用疵点和无疵点样本对基于Fisher准则叠置的去噪自编码进行训练,计算了重建图像与缺陷图像之间的残差,并通过阈值法对缺陷进行定位。随着卷积神经网络的兴起,被利用于各个领域。随着卷积神经网络的兴起,被利用于各个领域。目前出现了VGG[1]、Resnet[2]、Densenet[3]等很多优秀的分类网络,有一部分也被应用于织物的疵点检测中。残差网络应用于疵点检测也越来越多。

由于Faster R-CNN分类检测率高,因此该算法在织物疵点检测中使用率最高。晏琳[4]等人通过把将ImageNet分类预训练后得到的VGG16、Resnet101模型分别用于进行Faster R-CNN共享卷积层的初始化以得到初始参数及权重,将污渍、断纬、线条、褶皱四种疵点数据集放入整个模型中进行训练。Resnet101在测试集中,相较于原始的VGG16网络,mAP值提高了2.3%左右,这是由于Resnet101引入了残差学习模块,残差学习将神经网络的输出H(x)变为F(x)=H(x)-x,减弱了因为卷积层数过多而造成的梯度消失现象,提高了检测的准确率。另外,测试了不同的非极大值抑制前后候选区域个数对mAP值得影响,发现随着数量的减少,模型保留的锚数也随之减少,导致检测结果的mAP值下降。因此,选用相对较高的nms候选区域个数能够得到较好的检测结果。最终,采用调优的参数配置后,Faster R-CNN+ Resnet101模型得到的部分检测结果中,污渍的概率值为1.000,长断纬的概率值为0.988,短断纬的概率值为0.987,线条的概率值为1.000,褶皱的概率值为0.993。

陈康[5]等人同样使用深度残差网络修改Faster R-CNN中的原始特征提取网络。并且在Faster R-CNN的区域声称网络中增加预测锚点框,提升多尺度疵点和小目标疵点的检测能力。最终对重经重纬、斑点、破洞、断经段纬、折痕、污渍、筘痕这七种疵点类型进行检测,mAP达到了0.9563。

罗俊丽[6]等人针对色织物疵点,提出利用残差网络模型进行训练和测试,最终对擦洞、织稀、跳花、污渍、毛洞五种疵点进行检测得到91.53%的检测率。除此之外,在两个大小不同的数据集上比较迁移学习的效果发现,当数据集小时,通过迁移学习可以提升模型的识别率。

卷积神经网络在疵点检测领域中越来越广,其中残差网络与其他算法进行结合,会使分类率增高,这对疵点检测的发展尤为重要。

【参考文献】

[1] Karlekar V V,Biradar M S,Bhangale K B.Fabric defect detection using wavelet filter[C]//IEEE International Conference on Computing Communication Control&Automation,2015:712-715.

[2] Deng Chao,Liu Yan-yan.Defect detection of twill cloth based on edge detection[J].Measurement&Control Technology,2018,37(12):110-113.

[3] Jia L,Chen C,Liang J,et al.Fabric defect inspection based on lattice segmentation and gabor filtering[J].Neurocomputing,2017,238(1):84-102.

[4] Li Y,Zhao W,Pan J.Deformable patterened fabric defect detection with fisher criterion-based deep learning[J].IEEE Transactions on Automation Science&Engineering,2017,14(2):1256-1264.

[5] Simonyan K , Zisserman A . Very Deep Convolutional Networks for Large-Scale Image Recognition[J]. Computer ence, 2014.

[6] He K , Zhang X , Ren S , et al. Deep Residual Learning for Image Recognition[J]. 2015.

[7] Iandola F , Moskewicz M , Karayev S , et al. DenseNet: Implementing Efficient ConvNet Descriptor Pyramids[J]. Eprint Arxiv, 2014.

[8] 晏琳,景军锋,李鹏飞.Faster RCNN模型在坯布疵点检测中的应用[J].棉纺织技术,2019,47(02):24-27.

[9] 陈康,朱威,任振峰,郑雅羽.基于深度残差网络的布匹疵点检测方法[J].小型微型计算机系统,2020,41(04):800-806.

[10] 罗俊丽,路凯.基于卷积神经网络和迁移学习的色织物疵点检测[J].上海纺织科技,2019,47(06):52-56.

作者简介:刘孔玲(199511),女,土家族,湖北宜昌。硕士,武汉纺织大学,深度学习与疵点检测,430200。

猜你喜欢
卷积神经网络
卷积神经网络语言模型研究
基于卷积神经网络温室智能大棚监控系统的研究
基于深度卷积神经网络的物体识别算法