基于機器學(xué)習(xí)的布匹瑕疵識別研究

項子琦

（江西財經(jīng)大學(xué) 軟件與物聯(lián)網(wǎng)工程學(xué)院，江西 南昌 330013）

1 研究背景

中國上下五千年中，紡織產(chǎn)品生產(chǎn)過程中的質(zhì)量控制主要采用人工的手段，工人工作強度大、檢測效率低下，還存在不能控制誤檢率的問題。計算機視覺和人工智能的發(fā)展為紡織產(chǎn)品瑕疵識別技術(shù)提供了可能。對比傳統(tǒng)的瑕疵識別算法，機器學(xué)習(xí)發(fā)揮了傳統(tǒng)檢測算法的優(yōu)點，目前國內(nèi)外機器學(xué)習(xí)發(fā)展特別迅猛。國內(nèi)外學(xué)者提出了大量不同的機器學(xué)習(xí)理論: 貝葉斯分類器、深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)、支持向量機、動態(tài)貝葉斯網(wǎng)絡(luò)等[1-3]。

在紡織工業(yè)中，瑕疵定義為“與所需標(biāo)準(zhǔn)不同的事物”。許多因素可能導(dǎo)致瑕疵，例如織物的生產(chǎn)工藝不正確，紡絲厚度不符合標(biāo)準(zhǔn)等。通常情況下，我們經(jīng)?？梢酝ㄟ^織物上缺陷的類型來判斷生產(chǎn)過程中的問題，然后進一步調(diào)整生產(chǎn)工藝。因此，織物檢測系統(tǒng)的目的不僅在于檢測織物中的缺陷，而且在于找到生產(chǎn)中問題的關(guān)鍵并達到改善生產(chǎn)性能的目的。

瑕疵識別模塊屬于布匹檢測系統(tǒng)的核心模塊之一。瑕疵識別系統(tǒng)對分類有較高的要求，需要使用模式識別的方法來對瑕疵圖像進行分析與分割。

2 分類的基本概念

模式是一些提供給模仿者使用的模塊化樣本，是對抱有興趣客觀實體的結(jié)構(gòu)性描述。模式類是某些擁有相同特點的樣本的集合。模式識別這一技術(shù)就是通過模式類對模式進行分類，利用上述技術(shù)，計算機通過程序自動化把待識模式歸類到不同模式類中去[4]。

模式識別系統(tǒng)主要由5部分組成：數(shù)據(jù)獲取、預(yù)處理、特征抽取、分類器設(shè)計和分類器（圖1）。

圖1 模式識別系統(tǒng)的組成

3 支持向量機

支持向量機（Support Vector Machine，SVM）方法建立在通過內(nèi)積函數(shù)進行非線性變換將輸入的空間高維化上。支持向量機方法主要有兩個理論基礎(chǔ)：VC維理論與結(jié)構(gòu)風(fēng)險最小原理，其中的VC維理論基于統(tǒng)計學(xué)理論。根據(jù)有限的基礎(chǔ)樣本信息通過算法在處理模型的復(fù)雜性與提高學(xué)習(xí)能力這一矛盾之間制衡，得到推廣能力最好的結(jié)果[5-7]。

在進行瑕疵分類之前，需要使用人員輸入成千上萬的樣本對SVM模型進行訓(xùn)練，由于支持向量機求解二次動態(tài)規(guī)劃問題的耗時很長，一般的普通模式識別時卻只需要對有限的幾個樣本進行分類識別。傳統(tǒng)的SVM方法采用的標(biāo)準(zhǔn)二次型優(yōu)化技術(shù)可能是訓(xùn)練算法慢的主要原因：首先，SVM方法需要對核函數(shù)矩陣進行計算和存儲，就存在內(nèi)存超限的風(fēng)險，例如當(dāng)樣本總數(shù)目很大時，存儲核函數(shù)矩陣需要占據(jù)計算機的大部分內(nèi)存；其次，SVM在二次型的尋優(yōu)過程中要進行大量線性運算，尋優(yōu)算法在時間上的開銷巨大。

近年來，學(xué)者針對SVM的特點提出了許多改進優(yōu)化算法，主要分為兩個方面。

（1）塊算法（chunking algorithm）。對于給定的訓(xùn)練集，大多數(shù)時候支持向量是未知的。塊算法假設(shè)支持向量已知，對訓(xùn)練集進行迭代訓(xùn)練，通過迭代得到最優(yōu)結(jié)果。

（2）固定工作樣本集的方法。塊算法看似很優(yōu)秀，能提高運算能力，但是在大訓(xùn)練集，數(shù)據(jù)量大，導(dǎo)致迭代次數(shù)過多，隨著迭代的增加，算法隨之復(fù)雜，工作樣本集也不可避免地增加。因此，固定工作樣本集方法正是基于這個問題，將問題局限在固定的子問題個數(shù)中，減少了迭代次數(shù)，盡可能得到最優(yōu)結(jié)果。

SVM算法用于布匹瑕疵識別的過程中，屬于一個多模式識別問題。首先將不同類別的布匹瑕疵圖像作為訓(xùn)練樣本集，互相通過SVM進行算法處理學(xué)習(xí)，構(gòu)造出適合不同瑕疵圖像的分類器;然后再采用該分類器對待識別圖像庫中的所有布匹瑕疵圖像進行分類，即算出每幅待識別圖像相對于分類器中各個分類面的距離，可以判斷出是否為瑕疵布匹[8-10]。

4 結(jié)語

介紹了SVM這一機器學(xué)習(xí)領(lǐng)域的“新星”在布匹瑕疵識別中的應(yīng)用。SVM方法以結(jié)構(gòu)風(fēng)險最小化理論為基礎(chǔ)，并具有傳統(tǒng)機器學(xué)習(xí)方法所沒有的特點：首先，可以得到算法中的全局最優(yōu)點；其次，避免基礎(chǔ)神經(jīng)網(wǎng)絡(luò)方法中存在的局部極值問題，且數(shù)據(jù)量小也能有很好的效果。由于單分類SVM屬于模式識別，能夠識別新的瑕疵樣本，推廣性較好，不受限于日常中瑕疵樣本少的問題。此外，單分類SVM只需要對正常布匹圖像進行訓(xùn)練，降低了數(shù)據(jù)的獲取難度。

布匹瑕疵識別方法仍有大量研究工作，尋找更行之有效的布匹瑕疵識別算法，探索新的模式識別模型。此外，有效并可行的訓(xùn)練算法也是研究的重點之一，一旦有所進展能大幅提高效率?？傊?，如何讓傳統(tǒng)紡織行業(yè)中的布匹瑕疵識別充分合理地利用機器學(xué)習(xí)的發(fā)展進步仍是目前的研究重點。