谢景洋， 王 巍， 刘 婷

(国合通用(青岛)测试评价有限公司，山东 青岛 266000)

我国纺织业的总产量超过了世界总产量的一半，企业在高量产的同时也不可避免会产生很多带瑕疵的布匹，这些布匹会让企业的利润损失35%～55%[1]。所以有效实现布匹瑕疵检测、保证生产布匹质量是企业生存的关键。人工检测方法缺陷明显，利用机器视觉检测是目前的趋势。

传统的机器视觉织物瑕疵检测方法中，频谱分析方法[2]和视觉检测性方法[3]过于依赖滤波器组的选择，对复杂织物检测性能不好，字典学习方法[4]自适应性不强，模型方法[5]的计算量大而不适合小目标检测。这些机器视觉检测方法都需要对图像的特征进行提取，大部分图像的特征提取需要有专业的计算机视觉知识，并且不同纹理的面料，其图像的提取特征可能是不同的，常常需要对算法进行重新设计，模型的可迁移性不高。在面对大分辨率的图片、复杂的背景环境和大小差异悬殊的布匹瑕疵中，需要更具一般性并且训练成本低的检测方法。

卷积神经网络(Convolution Neural Network,CNN)的算法和网络结构的优化，带来了图像识别算法准确率的极大提升[6]。CNN在图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点，避免了特征提取和分类过程中复杂的数据重建，不需要人为地进行特征提取的操作，实现真正的端到端(End-to-End)的学习。……