[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

说明书

本发明提出了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，其步骤为：首先，配置织物缺陷识别系统的运行环境，根据可因式分解卷积获得轻量级卷积神经网络，然后，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，再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中进行训练，得到LZFNet‑Fast模型，最后，将测试图像集输入LZFNet‑Fast模型进行测试，验证LZFNet‑Fast模型的性能。本发明利用可因式分解卷积结构替代标准卷积层，有效识别纹理复杂的有色织物，降低了模型的参数数量和计算量，极大地提高了识别效率。

技术领域

本发明涉及纺织品图像识别技术领域，特别是指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。

背景技术

目前纺织成品的生产成本往往会受到原始坯布的影响，服装行业中大部分质量问题都与织物缺陷有关，这是纺织业面临的主要问题之一。织物缺陷，常称为织物疵点，指在布匹织造过程中，由各种不利因素导致的产品外观上的缺陷。从纤维原料到成品织物，一般需经过纺纱、织造、印染等多道工序，在各加工环节中均有可能产生缺陷。而人工检测织物缺陷成本过高，且容易产生漏检。因此纺织品生产企业需要采用自动缺陷识别系统来保证织物的质量。

目前国内外现有的织物缺陷检测方法主要有直方图特性分析、局部对比度增强、傅里叶变换、小波变换、字典学习和方向梯度直方图等。然而，随着整个社会纺织工业的不断发展和消费者欣赏水平的提高，现有的织物大多具有复杂的纹理和图案，而这些传统视觉识别算法往往自适应性较差，难以提取出有利于分类器识别疵点的视觉特征。所以传统织物缺陷识别方法只适用于单色坯布或纹理较规则的织物，而对于纹理和印染较复杂织物的缺陷识别，目前最适合利用深度学习技术来完成。

卷积神经网络作为一种重要的识别模型，近年来得到了迅速的发展，并在某些领域取得了显著的成果。然而，卷积神经网络应用于织物缺陷识别目前还存在一些问题。卷积神经模型既具有计算密集型的又具有内存密集型的结构特点，这使得卷积神经模型很难部署在硬件资源有限的现场可编程门阵列和嵌入式系统上。目前的深度卷积神经网络为了提取目标图像的高级语义特征，往往具有非常复杂的结构，这极大地增加了计算开销，不利于织物缺陷实时识别。其次，近年来卷积神经网络发展的趋势是搭建更深更复杂的网络结构，以达到更高的识别精度。然而，这些提高模型识别准确率的新技术并不一定使得系统在运行速度和内存占用方面更加有效。

发明内容

针对传统深度卷积神经网络存在结构复杂、计算量大的技术问题，本发明提出了一种基于轻量级卷积神经网络的织物缺陷识别方法，构造了一个织物识别领域专用的卷积模块，该模块融合了先进的可因式分解卷积结构，首先将织物图像通过三维卷积操作扩展到32维后作为卷积模块的输入，然后利用可因式分解卷积层进行空间滤波，随后特征图被网络顶部的全局平均池化层压缩到低维空间。本发明可在TensorFlow框架中使用人工神经网络库Keras和张量流型机器学习库TFslim快速实现，适用于计算资源受限条件下的织物缺陷识别。

本发明的技术方案是这样实现的：

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；

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；

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；

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。