短切氈在生產過程中，不可避免地會出現分散不良、紗結、并條和異物等缺陷，因此，在質量檢測過程中，統計短切氈缺陷的數目并分析缺陷形成的原因，有針對性地進行生產指導，對提高產品質量有重要意義。

本文基于卷積神經網絡，提出了短切氈缺陷分類的方法。通過旋轉、平移和翻轉對數據集進行擴充，解決了小數據樣本在深度卷積神經網絡中的過擬合問題；利用遷移學習的思想加速網絡收斂，提高了網絡的泛化能力；對比了不同網絡結構并選擇較好的網絡進行數據集驗證。結果表明，此方法能夠實現短切氈缺陷的有效分類，準確率為93%。

實驗數據來源于工廠實際生產，使用工業相機采集短切氈樣本圖像，得到短切氈樣本數據庫。目前，工業上的短切氈缺陷主要有分散不良、并條、異物和紗結4種類型。利用OpenCV計算機視覺庫，通過旋轉、平移和翻轉等方法對獲取的數據集進行擴充形成短切氈數據庫，共5777張，各缺陷樣本數量。將數據集數量按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絡訓練，測試集用于對訓練好的網絡進行性能評估。

實驗結果

1、參數設置

網絡采用交叉熵損失函數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絡參數進行迭代更新。使用遷移學習的方法將短切氈數據集在多個網絡結構上進行訓練和驗證，網絡全連接層替換為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、對比參數初始化方法

保留網絡結構參數的基礎上，網絡模型的參數初始化通常有2種方式:

1）隨機初始化網絡參數，輸入訓練集和驗證集進行網絡訓練；

2) 對遷移網絡結構在源數據集上的訓練參數進行模型初始化。在VGG19網絡模型上對比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絡參數的訓練過程，虛線表示微調網絡參數的訓練過程。每完成一次迭代，將驗證集樣本輸入到網絡結構中，記錄驗證集的準確率并將其作為評估該模型性能的依據。實驗結果表明，第4種網絡初始化方式，當迭代步數為20時，訓練精度和驗證精度趨于穩定，驗證精度為75%;第2種方式，當迭代次數為10時，網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。對遷移源數據集的訓練參數進行網絡訓練能夠更快擬合數據集且精度高。

3、微調網絡參數

為了提高網絡對數據集特征的提取能力，加速網絡擬合過程，基于初始化參數方式的對比，將網絡在大樣本數據集下的訓練參數作為權值和偏置值，并進行初始化，對比ResNet 和VGG 系列網絡包括ResNet18、ResNet50、ResNet101、VGG11、VGG16和VGG19對短切氈缺陷數據的表現，進行50次迭代，記錄每次迭代網絡的訓練精度、驗證精度、訓練損失值和驗證損失值，并統計網絡的建模時間，實驗結果如圖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

為了評價卷積神經網絡在短切氈圖像分類方法的性能，采用ResNet50訓練網絡模型進行測試數據集的驗證。1）計算混淆矩陣，結果如圖3所示，橫坐標表示被預測短切氈數據的真實值，縱坐標表示數據的預測值。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，F1的取值范圍為0到1，1表示效果最好，0表示效果最差。

采用基于卷積神經網絡的短切氈缺陷分類算法對缺陷圖片進行分類。通過卷積神經網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據集在多個網絡結構上進行模型訓練和特征提取，獲取網絡參數，選擇擬合能力較好的網絡進行測試，評估網絡性能。實驗結果表明，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%，能夠實現數據集的有效分類。