張宏偉，譚全露，陸 帥，葛志強(qiáng)，徐 健

(1.西安工程大學(xué) 電子信息學(xué)院，陜西 西安 710048；2.浙江大學(xué) 工業(yè)控制技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室，浙江 杭州 310027；3.北京理工大學(xué) 醫(yī)工融合研究院，北京 100081)

色織襯衫花型美觀大方，是我國(guó)出口創(chuàng)匯能力最強(qiáng)的服裝產(chǎn)品之一。色織襯衫的花型由染色的紗線經(jīng)緯交織而成，主要表現(xiàn)為點(diǎn)狀、星狀、條狀和格子狀的花型。由于色織物的品質(zhì)波動(dòng)和生產(chǎn)過(guò)程中的不確定因素[1-3]，導(dǎo)致襯衫裁片外觀不可避免地出現(xiàn)缺陷，如破洞、斷頭、雙紗等[4]。為了提高色織襯衫產(chǎn)品的品質(zhì)，降低缺陷裁片對(duì)襯衫成衣的影響，經(jīng)過(guò)裁剪工序加工的裁片在進(jìn)入縫制工序前，需要進(jìn)行嚴(yán)格檢測(cè)。目前，色織襯衫裁片的缺陷檢測(cè)基本依賴于人工目測(cè)。色織花型復(fù)雜多樣，隨著市場(chǎng)需求和流行趨勢(shì)而變化，需要經(jīng)驗(yàn)豐富的工人才能完成這項(xiàng)高難度的檢測(cè)工作。但受個(gè)人能力、主觀因素和疲勞因素限制，人工檢測(cè)方法效率低、速度慢且準(zhǔn)確率不穩(wěn)定[5]，因此，亟需一種高效率的機(jī)器視覺(jué)方法來(lái)解決人工目測(cè)存在的問(wèn)題。

目前，基于機(jī)器視覺(jué)的織物缺陷檢測(cè)技術(shù)已成為紡織行業(yè)的一個(gè)研究熱點(diǎn)。針對(duì)紋理、花型固定的織物品種，研究人員設(shè)計(jì)了多種能夠區(qū)分缺陷區(qū)域和織物背景圖像特征的傳統(tǒng)檢測(cè)算法。如景軍鋒等[6]結(jié)合字典學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)色織物缺陷；李鵬飛等[7]用局部二進(jìn)制算法提取織物特征，結(jié)合AdaBoost分類算法實(shí)現(xiàn)織物分類；ZHANG等[8]利用L0梯度最小化原則濾除織物紋理背景，并用模糊聚類檢測(cè)織物缺陷；KANG等[9]提出一種 Elo 等級(jí)評(píng)定算法來(lái)實(shí)現(xiàn)織物缺陷檢測(cè)等。上述檢測(cè)算法憑借專家經(jīng)驗(yàn)，針對(duì)特定織物人工設(shè)計(jì)精巧的缺陷區(qū)域判別特征實(shí)現(xiàn)缺陷檢測(cè)。這種傳統(tǒng)特征設(shè)計(jì)檢測(cè)算法成本高且難以適用于新的織物花型。

為了提高特征工程方法的靈活性，機(jī)器學(xué)習(xí)算法，尤其是有監(jiān)督機(jī)器學(xué)習(xí)算法被引入織物缺陷的檢測(cè)與分類中。對(duì)于產(chǎn)量大且花型穩(wěn)定的織物品種，易于構(gòu)建缺陷樣本數(shù)量豐富、缺陷種類相對(duì)平衡的數(shù)據(jù)集。如果再對(duì)缺陷數(shù)據(jù)集進(jìn)行準(zhǔn)確的人工標(biāo)注，機(jī)器學(xué)習(xí)算法則能夠很好地實(shí)現(xiàn)織物缺陷的檢測(cè)、分類。如ZHANG等[3]利用 YOLOV2 模型對(duì)色織物疵點(diǎn)進(jìn)行檢測(cè)、分類；JING等[4]改進(jìn)LeNet-5模型以實(shí)現(xiàn)織物缺陷檢測(cè)；LI等[10]利用監(jiān)督學(xué)習(xí)獲取顯著性直方圖并提取有效的顯著性特征實(shí)現(xiàn)織物缺陷檢測(cè)；YAPI 等[11]利用監(jiān)督學(xué)習(xí)訓(xùn)練貝葉斯分類器實(shí)現(xiàn)織物的缺陷檢測(cè)等。這些工作均需建立大規(guī)模缺陷樣本數(shù)據(jù)集，并對(duì)缺陷區(qū)域進(jìn)行準(zhǔn)確的人工標(biāo)注。但在實(shí)際的生產(chǎn)場(chǎng)景中，色織襯衫花型品種隨著市場(chǎng)需求而變化，難以構(gòu)建缺陷種類完備的織物數(shù)據(jù)庫(kù)，更難以實(shí)現(xiàn)完備的人工標(biāo)注，因此，基于有監(jiān)督機(jī)器學(xué)習(xí)的織物缺陷檢測(cè)算法難以適應(yīng)色織襯衫裁片花型因批次變化的場(chǎng)景。

無(wú)監(jiān)督機(jī)器學(xué)習(xí)由于不需要人工手動(dòng)標(biāo)記缺陷區(qū)域[12]，已經(jīng)引起了部分織物缺陷檢測(cè)研究人員的關(guān)注。如張宏偉等[13]提出一種基于去噪卷積自編碼器的無(wú)監(jiān)督重構(gòu)模型，利用待測(cè)圖像和重構(gòu)圖像的殘差分析方法，初步實(shí)現(xiàn)了色織物缺陷的快速檢測(cè)和定位；MEI 等[14]提出一種基于多尺度卷積去噪自編碼器(Multi-Scale Convolutional Denoising AutoEncoder，MSCDAE)重構(gòu)模型，通過(guò)殘差分析檢測(cè)并定位織物缺陷等。無(wú)監(jiān)督機(jī)器學(xué)習(xí)的織物缺陷檢測(cè)模型可以有效利用實(shí)際生產(chǎn)中無(wú)缺陷樣本容易獲取、無(wú)需要標(biāo)注缺陷樣本的巨大優(yōu)點(diǎn)，通過(guò)去噪、重構(gòu)得到待測(cè)樣本的修復(fù)版本。通過(guò)將待測(cè)樣本與其修復(fù)圖像進(jìn)行殘差計(jì)算，即可檢測(cè)和定位織物缺陷區(qū)域。該類算法的關(guān)鍵在于無(wú)監(jiān)督深度自編碼器模型能否有效提取復(fù)雜花型織物的主要特征，它決定了無(wú)監(jiān)督深度模型能否在有效重構(gòu)織物圖像正?；ㄐ偷耐瑫r(shí)修復(fù)缺陷區(qū)域。

針對(duì)經(jīng)典自編碼器重構(gòu)色織襯衫裁片圖像能力弱的問(wèn)題，筆者構(gòu)造了一種U型深度去噪卷積自編碼器模型，通過(guò)殘差分析實(shí)現(xiàn)色織襯衫裁片的缺陷檢測(cè)和定位。文中方法部分介紹了傳統(tǒng)U型檢測(cè)網(wǎng)絡(luò)，闡述了一種新型U型深度去噪卷積自編碼器的網(wǎng)絡(luò)結(jié)構(gòu)及其應(yīng)用于色織襯衫裁片缺陷檢測(cè)的步驟；實(shí)驗(yàn)部分描述了實(shí)驗(yàn)軟、硬件平臺(tái)，色織襯衫裁片樣本和評(píng)價(jià)指標(biāo)，并與其他檢測(cè)算法進(jìn)行定性、定量分析對(duì)比。實(shí)驗(yàn)結(jié)果表明，該方法在不需要缺陷樣本和缺陷標(biāo)記的情況下，能夠有效重構(gòu)色織襯衫裁片的紋理花型，實(shí)現(xiàn)快速檢測(cè)和定位多種類型的色織襯衫裁片缺陷。

1 無(wú)監(jiān)督色織襯衫裁片缺陷檢測(cè)方法

1.1 U型去噪卷積自編碼器模型

1.1.1 經(jīng)典Unet模型

2015年，RONNEBERGER 等人針對(duì)生物醫(yī)學(xué)圖像細(xì)胞分割問(wèn)題，創(chuàng)新提出一種隱含層結(jié)構(gòu)類似于字母“U”的深度卷積網(wǎng)絡(luò)目標(biāo)檢測(cè)模型，簡(jiǎn)稱為 Unet 模型[15]。該模型的訓(xùn)練屬于有監(jiān)督學(xué)習(xí)，訓(xùn)練過(guò)程中需要輸入細(xì)胞圖像原圖及其像素的類別標(biāo)記數(shù)據(jù)，檢測(cè)階段中該模型可以高效地針對(duì)輸入的細(xì)胞圖像實(shí)現(xiàn)細(xì)胞圖像分割。Unet 結(jié)構(gòu)如圖1所示，其輸入層為單通道圖像層，輸出層為雙通道的像素分類層，隱含層為U型跳接結(jié)構(gòu)的多個(gè)卷積層、最大池化層和上采樣層，使用的損失函數(shù)為交叉熵?fù)p失函數(shù)。另外，該模型在訓(xùn)練過(guò)程中還使用了數(shù)據(jù)增強(qiáng)策略來(lái)彌補(bǔ)樣本的稀缺。該模型在當(dāng)年的ISBI 細(xì)胞追蹤項(xiàng)目上以較大優(yōu)勢(shì)贏得了比賽，因此引起了諸多研究人員的關(guān)注，如橋梁的裂縫缺陷檢測(cè)[16]、水稻生長(zhǎng)過(guò)程中的倒伏監(jiān)測(cè)[17]和車站的人群流量預(yù)估[18]等。在樣本數(shù)據(jù)相對(duì)豐富的條件下，這些改進(jìn)后的有監(jiān)督Unet 模型都取得了較好的研究成果。

圖1 經(jīng)典Unet 網(wǎng)絡(luò)模型

1.1.2 U型去噪卷積自編碼器模型

在實(shí)際驗(yàn)片工序中，由于完備、平衡的缺陷樣本及其缺陷區(qū)域標(biāo)記信息難以獲取，因此，色織襯衫裁片缺陷檢測(cè)問(wèn)題無(wú)法直接采用有監(jiān)督范式下的 Unet 模型。相反，實(shí)際生產(chǎn)中無(wú)缺陷樣本非常容易獲取，便于建立無(wú)監(jiān)督樣本庫(kù)，因此，筆者提出一種無(wú)監(jiān)督重構(gòu)修復(fù)模型和殘差計(jì)算缺陷檢測(cè)算法。首先利用大規(guī)模無(wú)缺陷樣本訓(xùn)練重構(gòu)修復(fù)模型，其次計(jì)算待測(cè)樣本及其重構(gòu)的殘差圖像以實(shí)現(xiàn)色織襯衫裁片的缺陷檢測(cè)。為了完成重構(gòu)修復(fù)工作，該實(shí)驗(yàn)提出一種U型去噪卷積自編碼器模型(U-shaped Denoising Convolutional Auto-Encoder，UDCAE)。

圖2為U型去噪卷積自編碼器模型網(wǎng)絡(luò)結(jié)構(gòu)示意圖，其輸入為三通道的無(wú)缺陷色織襯衫裁片彩色圖像，在疊加了高斯噪聲后進(jìn)入隱藏層，隱藏層采用對(duì)稱性深度U型卷積、反卷積網(wǎng)絡(luò)結(jié)構(gòu)；其輸出層為與輸入層尺寸相同的三通道圖像結(jié)構(gòu)，損失函數(shù)采用L1損失函數(shù)。該模型在進(jìn)行深度卷積編碼時(shí)采用邊界補(bǔ)零填充方式，可以保證在短路跳接操作時(shí)網(wǎng)絡(luò)層的輸入、輸出數(shù)據(jù)維度一致，無(wú)須經(jīng)典U型網(wǎng)絡(luò)結(jié)構(gòu)中的維度裁剪操作。

圖2 U 型去噪卷積自編碼器(UDCAE)網(wǎng)絡(luò)結(jié)構(gòu)

1.2 UDCAE 模型的訓(xùn)練

U型去噪卷積自編碼器模型訓(xùn)練時(shí)，模型輸入為疊加了高斯噪聲的無(wú)缺陷色織襯衫裁片圖像，輸出為重構(gòu)的色織襯衫裁片圖像。以逐漸降低輸入圖像和重構(gòu)圖像損失函數(shù)數(shù)值為目標(biāo)，利用 Adam 優(yōu)化器迭代調(diào)整模型參數(shù)，直至重構(gòu)圖像和輸入圖像的像素差異最小化，如圖3所示。

圖3 UDCAE 模型訓(xùn)練示意圖

實(shí)驗(yàn)具體的訓(xùn)練步驟如下：

(1) 對(duì)輸入的色織襯衫裁片圖像疊加高斯噪聲：

(1)

(2) 對(duì)被高斯噪聲損壞后的圖像進(jìn)行壓縮編碼：

(2)

其中，z為卷積編碼輸出，W和b分別為編碼網(wǎng)絡(luò)的權(quán)重和偏置，‘°’為卷積編碼過(guò)程，R(·) 為修正線性單元(Rectified Linear Unit，ReLU)激活函數(shù)：

R(x)=max(0，x)。

(3)

(3) 對(duì)U型去噪卷積自編碼器模型編碼后的圖像進(jìn)行解碼操作：

(4)

該模型訓(xùn)練過(guò)程中的損失函數(shù)為L(zhǎng)1損失函數(shù)：

(5)

1.3 基于UDCAE 模型的色織襯衫裁片缺陷檢測(cè)

U型去噪卷積自編碼器模型訓(xùn)練成功后即可用于色織襯衫裁片的缺陷檢測(cè)，其具體流程如圖4所示。缺陷檢測(cè)時(shí)，輸入為待測(cè)色織襯衫裁片圖像；由于訓(xùn)練好的模型可以對(duì)輸入圖像進(jìn)行修復(fù)性重構(gòu)，重構(gòu)圖像的輸出是與輸入圖像尺寸相同的三通道彩色圖像。若待測(cè)圖像中有缺陷存在，則輸出是對(duì)缺陷區(qū)域進(jìn)行修復(fù)后的重構(gòu)圖像與正常區(qū)域相比，缺陷區(qū)域存在顯著的像素?cái)?shù)值差異，通過(guò)殘差分析，能夠檢測(cè)、定位出實(shí)際缺陷區(qū)域；反之，若待測(cè)圖像中沒(méi)有缺陷，則輸出的重構(gòu)圖與待測(cè)原圖間的差異為隨機(jī)噪聲。

圖4 UDCAE 缺陷檢測(cè)示意圖

實(shí)驗(yàn)具體的檢測(cè)步驟如下：

(1) 將U型去噪卷積自編碼器模型輸入的待測(cè)原圖和輸出重構(gòu)圖分別進(jìn)行灰度化?；叶然僮鳛?/p>

Xgray=0.2125Xr+0.7154Xg+0.0721Xb，

(6)

其中，Xr、Xg、Xb分別為待測(cè)樣本對(duì)應(yīng)R、G、B這3個(gè)不同顏色通道下的像素值；Xgray為灰度化后的圖像，灰度化后的圖像像素值范圍從0到255。

(2) 對(duì)色織襯衫裁片灰度化圖像進(jìn)行高斯濾波，通過(guò)采用3×3像素的高斯核對(duì)織物圖像進(jìn)行滑窗卷積操作實(shí)現(xiàn)。G(x，y)可表示為

G(x，y)=[1/(2πσxσy)]·exp{-[(x2+y2)/(2σxσy)]} ，

(7)

其中，(x，y)為色織襯衫裁片圖像的像素坐標(biāo)，σx為該圖像x軸方向的像素標(biāo)準(zhǔn)差；σy為該圖像y軸方向的像素標(biāo)準(zhǔn)差。濾波時(shí)使用該高斯核對(duì)織物圖像進(jìn)行滑窗卷積操作：

Xgray+Gaussian=Xgray*G(x，y)，

(8)

其中，Xgray+Gaussian為色織襯衫裁片圖像經(jīng)過(guò)灰度化和高斯濾波后的圖像，‘*’為卷積操作。

(3) 計(jì)算灰度化、高斯濾波后的原圖及其重構(gòu)圖之間的殘差圖像。即

(9)

(4) 利用自適應(yīng)二值化閾值，對(duì)灰度殘差圖進(jìn)行二值化處理。殘差圖像中難免存在大量的非缺陷區(qū)域，分布著離散且數(shù)值較小的隨機(jī)噪聲，為了提高檢測(cè)結(jié)果中缺陷區(qū)域的準(zhǔn)確性，需要將這些隨機(jī)噪聲濾除。自適應(yīng)二值化閾值可表示為

T=μ+σ，

(10)

其中，T為自適應(yīng)二值化閾值，μ、σ分別為灰度殘差圖的均值、標(biāo)準(zhǔn)差?；叶葰埐顖D的像素?cái)?shù)值若低于該值，則置邏輯0；若大于或等于該值，則置邏輯1。

(5) 對(duì)二值殘差圖進(jìn)行先腐蝕后膨脹的開(kāi)運(yùn)算操作，最終得到缺陷檢測(cè)結(jié)果。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 色織襯衫裁片圖像數(shù)據(jù)集

實(shí)驗(yàn)使用的色織襯衫裁片樣本均來(lái)源于某制衣廠。這些裁片利用掃描儀進(jìn)行圖像采集，整理成分辨率為512×512×3像素的樣本圖像。該實(shí)驗(yàn)建立了數(shù)據(jù)集Ⅰ、數(shù)據(jù)集Ⅱ、數(shù)據(jù)集Ⅲ和數(shù)據(jù)集Ⅳ，共4個(gè)色織襯衫花型的裁片圖像數(shù)據(jù)集，用于模型的訓(xùn)練和測(cè)試。每個(gè)數(shù)據(jù)集內(nèi)均包含兩個(gè)部分：用于建模的無(wú)缺陷樣本和用于測(cè)試的缺陷樣本。其中，數(shù)據(jù)集Ⅰ包含無(wú)缺陷樣本188張，缺陷樣本6張；數(shù)據(jù)集Ⅱ包含無(wú)缺陷樣本119張，缺陷樣本12張；數(shù)據(jù)集Ⅲ包含無(wú)缺陷樣本124張，缺陷樣本12張；數(shù)據(jù)集Ⅳ包含無(wú)缺陷樣本489張，缺陷樣本9張。實(shí)驗(yàn)用于建模的無(wú)缺陷樣本實(shí)例如圖5(a)所示，用于測(cè)試的缺陷樣本實(shí)例如圖5(b)所示。

(a) 用于建模的4種色織襯衫裁片無(wú)缺陷樣本

(b) 用于測(cè)試的4種色織襯衫裁片缺陷樣本

2.2 實(shí)驗(yàn)裝置

實(shí)驗(yàn)采用北京聯(lián)眾集群公司的深度學(xué)習(xí)工作站(型號(hào)：LZ540-GR)進(jìn)行 UDCAE 模型的建模、訓(xùn)練及缺陷檢測(cè)實(shí)驗(yàn)。工作站硬件配置：中央處理器為 Intel(R) Core(TM) i7-6850K CPU(1個(gè)物理 CPU，12個(gè)邏輯CPU，每個(gè)CPU核數(shù)為6核，主頻為3.60 GHz)；以 NVIDIA GP102為核心的GeForce GTX 1080 Ti顯卡(雙卡，每塊顯卡內(nèi)存為11 GB)；內(nèi)存為32 GB。軟件配置：操作系統(tǒng)為 Ubuntu 16.04.6 LTS；以Keras為前端，TensorFlow 為后端的深度學(xué)習(xí)網(wǎng)絡(luò)模型搭建框架，Keras 和 TensorFlow具體版本分別為2.1.3和1.12.0；軟件編程環(huán)境為基于開(kāi)源 Anaconda 的 Python編程語(yǔ)言環(huán)境。

2.3 評(píng)價(jià)指標(biāo)

該實(shí)驗(yàn)對(duì)檢測(cè)結(jié)果進(jìn)行了定性、定量分析。定性分析為缺陷檢測(cè)區(qū)域的直觀圖示。定量分析采用平均單幀檢測(cè)時(shí)間、精確率(Precision，P)、召回率(Recall，R)和準(zhǔn)確率(ACCuracy，ACC)4種指標(biāo)進(jìn)行評(píng)價(jià)。其中，精確率、召回率和準(zhǔn)確率的定義分別為

P=TP/(TP+FP)，

(11)

R=TP/(TP+FN)，

(12)

AC C=(TP+TN)/(TP+TN+FP+FN)，

(13)

其中，TP表示真實(shí)缺陷區(qū)域被成功檢出的像素個(gè)數(shù)；TN表示真實(shí)缺陷區(qū)域未被檢出的像素個(gè)數(shù)；FP表示正常區(qū)域被錯(cuò)誤檢測(cè)為缺陷區(qū)域的像素個(gè)數(shù)；FN表示正常區(qū)域被成功檢測(cè)為正常區(qū)域的像素個(gè)數(shù)。

2.4 結(jié)果及其分析

2.4.1 實(shí)驗(yàn)結(jié)果定性分析

首先，U型去噪卷積自編碼器模型的訓(xùn)練階段采用無(wú)缺陷色織襯衫裁片數(shù)據(jù)集進(jìn)行訓(xùn)練；其次，通過(guò)調(diào)整迭代次數(shù)使訓(xùn)練好的模型擁有對(duì)色織襯衫裁片圖像的重構(gòu)修復(fù)能力；最后，計(jì)算待測(cè)裁片圖像與重構(gòu)圖像的殘差圖像，通過(guò)殘差分析檢測(cè)并定位缺陷區(qū)域。該實(shí)驗(yàn)與多尺度卷積去噪自編碼器模型的重構(gòu)、檢測(cè)結(jié)果進(jìn)行了對(duì)比，部分缺陷檢測(cè)結(jié)果的直觀對(duì)比如圖6所示。

由圖6可知，U 型去噪卷積自編碼器模型能夠在準(zhǔn)確還原不同花型色織襯衫裁片圖像的基礎(chǔ)上，更好地修復(fù)色織襯衫裁片圖像中的缺陷區(qū)域。通過(guò)直觀對(duì)比可知，該實(shí)驗(yàn)?zāi)Ｐ秃?MSCDAE 模型都具備較好的重構(gòu)修復(fù)能力，但該實(shí)驗(yàn)?zāi)Ｐ偷男迯?fù)能力相對(duì)較好。從圖6中展示的數(shù)據(jù)集Ⅱ中3個(gè)缺陷樣本的重構(gòu)效果來(lái)看，U型去噪卷積自編碼器模型修復(fù)效果優(yōu)于MSCDAE模型。

圖6 MSCDAE 和 UDCAE 模型對(duì)色織襯衫裁片缺陷圖像重構(gòu)及檢測(cè)效果對(duì)比

U型去噪卷積自編碼器模型利用訓(xùn)練好的模型對(duì)色織襯衫裁片缺陷圖像按照1.3節(jié)的檢測(cè)步驟，進(jìn)行缺陷檢測(cè)實(shí)驗(yàn)測(cè)試。由圖6的對(duì)比實(shí)驗(yàn)得出，該模型能夠準(zhǔn)確地檢測(cè)出數(shù)據(jù)集Ⅰ中第1個(gè)缺陷樣本的缺陷區(qū)域，但MSCDAE模型出現(xiàn)了過(guò)檢。對(duì)于數(shù)據(jù)集Ⅱ的3個(gè)缺陷樣本，MSCDAE模型均出現(xiàn)了嚴(yán)重漏檢，而該模型的檢測(cè)結(jié)果較準(zhǔn)確。對(duì)于數(shù)據(jù)集Ⅲ的第3個(gè)缺陷樣本，該實(shí)驗(yàn)?zāi)Ｐ蜏?zhǔn)確地檢測(cè)出了該裁片的兩處缺陷區(qū)域，而 MSCDAE模型誤判了1處較小的缺陷區(qū)域。對(duì)于數(shù)據(jù)集Ⅳ的第2個(gè)缺陷樣本，該實(shí)驗(yàn)?zāi)Ｐ驮俅伪萂SCDAE模型更為準(zhǔn)確地檢測(cè)出了缺陷區(qū)域。因此，從定性分析角度，MSCDAE模型針對(duì)色織襯衫裁片缺陷圖像的檢測(cè)存在部分過(guò)檢、漏檢現(xiàn)象，相比之下，該實(shí)驗(yàn)?zāi)Ｐ湍軌蚋_地檢測(cè)、定位缺陷，且檢測(cè)結(jié)果與真實(shí)缺陷更接近。

2.4.2 實(shí)驗(yàn)結(jié)果定量分析

表1為兩種模型針對(duì)4種花型色織襯衫裁片數(shù)據(jù)集的缺陷圖像平均檢測(cè)耗時(shí)的對(duì)比。如表1所示，U 型去噪卷積自編碼器模型的缺陷檢測(cè)相對(duì)于 MSCDAE 模型耗時(shí)更少。

表1 MSCDAE 和 UDCAE 模型平均檢測(cè)時(shí)間對(duì)比

表2為兩種模型分別在4個(gè)數(shù)據(jù)集上檢測(cè)結(jié)果的精確率、召回率和準(zhǔn)確率的對(duì)比，同時(shí)，這3個(gè)評(píng)價(jià)指標(biāo)的取值范圍均為從0到1，數(shù)值越大，表明檢測(cè)結(jié)果越好。

表2 MSCDAE和UDCAE模型檢測(cè)結(jié)果在不同評(píng)價(jià)指標(biāo)下的對(duì)比 %

由表2可知，針對(duì)數(shù)據(jù)集Ⅰ、Ⅱ、Ⅲ，該實(shí)驗(yàn)?zāi)Ｐ驮诰_率、召回率和準(zhǔn)確率3項(xiàng)評(píng)價(jià)指標(biāo)下均取得了比MSCDAE模型更高的分?jǐn)?shù)。其中，采用MSCDAE模型訓(xùn)練并檢測(cè)的數(shù)據(jù)集Ⅱ，獲得了較低的召回率分?jǐn)?shù)，因?yàn)槠錂z測(cè)結(jié)果存在大量漏檢，而召回率對(duì)漏檢懲罰較大。兩種模型針對(duì)數(shù)據(jù)集Ⅳ：① 精確率和召回率兩項(xiàng)評(píng)價(jià)指標(biāo)下，該模型雖未占絕對(duì)優(yōu)勢(shì)，但兩個(gè)模型獲得的評(píng)價(jià)指標(biāo)分?jǐn)?shù)數(shù)值相差不大，差距不超過(guò)2%；② UDCAE模型比 MSCDAE模型的檢測(cè)準(zhǔn)確率高4%多。由此可以得出，在精確率、召回率和準(zhǔn)確率3項(xiàng)評(píng)價(jià)指標(biāo)下，U型去噪卷積自編碼器模型比多尺度卷積去噪自編碼器模型的檢測(cè)效果更好。

3 結(jié)束語(yǔ)

針對(duì)有監(jiān)督機(jī)器學(xué)習(xí)模型難以解決色織襯衫裁片的缺陷檢測(cè)問(wèn)題，筆者提出一種基于U型去噪卷積自編碼器的無(wú)監(jiān)督建模方法與實(shí)驗(yàn)。通過(guò)計(jì)算待測(cè)織物圖像與模型重構(gòu)圖像的殘差，進(jìn)行數(shù)學(xué)形態(tài)學(xué)分析，實(shí)現(xiàn)色織襯衫裁片的缺陷檢測(cè)和定位。該方法使用無(wú)缺陷樣本建立無(wú)監(jiān)督U型去噪卷積自編碼器模型，可有效避開(kāi)缺陷樣本數(shù)量稀缺、缺陷種類不平衡、人工設(shè)計(jì)缺陷特征構(gòu)造成本高且特征泛化能力差等實(shí)際問(wèn)題。同時(shí)，該方法的計(jì)算效率和檢測(cè)精確度均能滿足色織襯衫裁片的驗(yàn)片工藝需求，為色織襯衫制衣行業(yè)的驗(yàn)片工藝提供了一種易于工程化的缺陷自動(dòng)檢測(cè)方案。