[发明专利]基于轻量级卷积神经网络的织物缺陷识别系统的搭建方法

权利要求书

1.一种基于轻量级卷积神经网络的织物缺陷识别系统的搭建方法，其特征在于，其步骤如下：

S1、配置织物缺陷识别系统的运行环境；

S2、设计可因式分解卷积结构，并利用可因式分解卷积结构构建轻量级卷积神经网络LZFNet-Fast；构建方法为：定义一个局部感受野为3×3的二维面卷积层和一个1×1×n的三维信息融合层，然后将二维面卷积层和三维信息融合层编译为一个可因式分解卷积结构，并利用可因式分解卷积结构搭建轻量级卷积神经网络LZFNet-Fast；

S3、采集织物图像样本数据，并对织物图像样本数据进行标准化，标准化后的织物图像样本数据分为训练图像集和测试图像集；标准化的方法为：利用张量流型机器学习库TFslim将.jpg格式的织物图像样本数据转换为.tfrecord格式；

S4、利用异步梯度下降的训练策略将训练图像集输入轻量级卷积神经网络LZFNet-Fast中进行训练，得到LZFNet-Fast模型；其方法为：

S41、激活卷积神经网络加速库CUDNN7.0，激活人工神经网络库Keras和张量流型机器学习库TFslim；

S42、将训练图像集中的正常织物图像和缺陷织物图像分别转化为tfrecord格式文件，并分别保存为两个单独的文件；

S43、初始化初始学习率Θ、迭代动量参数v_i，初始迭代次数i＝0，设置最大迭代次数i_max；

S44、利用异步梯度下降的训练策略将训练图像集输入轻量级卷积神经网络LZFNet-Fast中进行训练：

其中，α为权重衰减，L为损失函数，D_i为第i次迭代时的训练图像的数量，w_i为待训练的LZFNet-Fast模型参数；

更新LZFNet-Fast模型参数：w_i+1＝w_i+v_i+1；

S45、迭代次数增加1，循环执行步骤S44直至达到最大迭代次数i_max，结束循环，生成LZFNet-Fast模型；

S5、将测试图像集输入步骤S4中得到的LZFNet-Fast模型进行测试，验证LZFNet-Fast模型的性能。

2.根据权利要求1所述的基于轻量级卷积神经网络的织物缺陷识别系统的搭建方法，其特征在于，所述步骤S1中的织物缺陷识别系统的运行环境包括硬件系统和软件系统，硬件系统的处理器包括两个CPU和两个GPU，CPU的型号均为英特尔Xeon(R)e5-2650-v4，GPU的型号均为英伟达Quadro M5000；软件系统包括操作系统和卷积库，其中，操作系统为Windows10，卷积库为卷积神经网络加速库CUDNN7.0。

3.根据权利要求1所述的基于轻量级卷积神经网络的织物缺陷识别系统的搭建方法，其特征在于，所述轻量级卷积神经网络LZFNet-Fast包含一个标准卷积层、九个可因式分解卷积结构、十九个批量正则化层、一个全局平均池化层、一个全连接层和一个Softmax分类器；其中，一个可因式分解卷积结构包括一个二维面卷积层和一个三维信息融合层，二维面卷积层与批量正则化层相连接，批量正则化层与三维信息融合层相连接，三维信息融合层与批量正则化层相连接；最后一个批量正则化层与全局平均池化层相连接，全局平均池化层与全连接层相连接，全连接层与Softmax分类器相连接。

4.根据权利要求3所述的基于轻量级卷积神经网络的织物缺陷识别系统的搭建方法，其特征在于，对于大小为F×F的输入特征图，标准卷积层的计算量C_s为：C_s＝F×F×K×K×m×n，其中，m为输入通道的数量，n为输出通道的数量，K×K为标准卷积层的卷积核尺寸；可因式分解卷积结构是将卷积层分为面卷积层和信息融合层两部分，面卷积层的卷积核大小为K×K，信息融合层的卷积核大小为1×1，则可因式分解卷积结构的计算量C_f为：C_f＝F×F×K×K×m+F×F×m×n；可因式分解卷积结构与标准卷积层的计算量之比为：