樊鑫江，佟 强，杨大利，侯凌燕，梁 旭

(北京信息科技大学 计算机学院，北京 100101)

0 引 言

纽扣作为纺织品中重要的组成部分，其质量直接影响到服装的销售。纽扣生产过程会在其表面出现多种瑕疵，检测这些瑕疵是纽扣生产工厂在使用人工检测纽扣表面缺陷的主要部分，如何高效检测纽扣表面缺陷成为当下纽扣生产工厂的一个难题。目前已有多种基于图像处理的方法来解决该难题，已有方法[1-3]在检测纽扣表面某些缺陷上均取得了不错的效果，但其无法检测纽扣表面所有的缺陷类型，不具实用性。近年来，深度学习及卷积神经网络已广泛应用在表面检测[4-7]，已有方法[8，9]虽然均可对表面缺陷进行检测分类，但工厂并不需要对缺陷进行分类、定位或提取。

结合以上所述，本文提出一种基于DEEP SVDD[10]模型，以改进VGG16为其特征提取网络的方法，比起传统的图像处理方法及新兴的深度学习方法，本文方法可同时检测出多种纽扣表面缺陷，且无需对缺陷进行分类、定位、提取。

本文的主要创新点如下：

(1)为满足纽扣表面检测的实时性要求，在每一层卷积层后引入BN层来加快网络收敛；

(2)针对使用原始VGG16作为模型特征提取网络时，模型对纽扣表面缺陷检测的性能不够高，在每一个卷积块后引入SE注意力模块提升网络的特征提取能力；

(3)针对模型太大参数过多，不适用于实际纽扣检测的问题，将VGG16三层全连接层替换为全局平均池化层(global average pooling，GAP)，减少模型参数量，使模型更加健壮。……