罗维平，徐 洋，陈永恒，周 博，马双宝,2，吴雨川,2

(1.武汉纺织大学 机械工程与自动化学院，湖北 武汉 430200；2.湖北省数字化纺织装备重点实验室 湖北 武汉 430200)

随着深度卷积神经网络的出现，织物疵点检测研究出现新的方向。稀疏连接结构分类模型(GoogLeNet)、大规模图像识别深度卷积网络(VGG)、深度残差网络(ResNet)等深度学习经典图像检测模型的出现[9-12]，织物疵点检测研究也取得新的突破。文献[13]应用ResNet模型中的101网络提取织物疵点特征，再利用基于区域的快速卷积神经网络(Faster RCNN)[14]检测网络对疵点目标进行识别，取得了较高的检测准确率，但在识别速度方面实时性效果不理想；文献[15]应用支持向量机分类算法完成了织物疵点检测模型训练，解决对小样本、高纬度数据的分类问题，但需要利用GPU计算灰度共生矩阵(GLCM)特征值，计算量大成本高，在提高计算速度的同时需要降低输入图像像素大小，一定程度上减弱了的原始图像特征信息;文献[16]提出基于费舍尔(Fisher)准则的深层卷积神经网络织物疵点检测方法，在标准织物瑕疵图像数据库(TILDA)[17]织物和自建的彩色格子织物数据集上取得较好成绩，但局限于特定织物疵点检测，对纹理更为复杂和多种类疵点检测上泛化能力较差。

针对上述问题，本文提出一种基于迁移学习和改进的ResNet50网络织物疵点检测算法，通过改进ResNet50网络的残差模块，利用在大规模分层图像数据库(ImageNet)[18]上预训练的权重参数进行迁移学习，训练得到一个疵点识别模型，通过实验表明该模型具有良好的泛化能力，能够精准快速识别正常织物和7类疵点织物。……