基于不同机器学习技术的多种织物疵点检测方法研究

主要作者与机构

本研究由Fatma Günseli Yaşar Çıklaçandır（伊兹密尔卡蒂普·切莱比大学计算机工程系）、Semih Utku（多库兹·埃于尔大学计算机工程系）以及Hakan Özdemir（多库兹·埃于尔大学纺织工程系）共同完成。该研究成果于2023年5月2日在线发表于《The Journal of the Textile Institute》第115卷第5期，页码为733至743。

研究背景

本文属于纺织工程与计算机科学交叉领域的研究，核心科学问题是织物疵点（fabric defect）的自动化检测与分类。在纺织工业中，织物质量直接影响服装产品的市场竞争力和消费者满意度。传统上依靠人工目视检测疵点的方法，不仅耗费人力与时间，而且成功率仅约为70%，且易因操作人员疲劳导致高误检率。随着工业4.0（Industry 4.0）的推进，纺织制造业迫切需要集成人工智能、大数据分析等技术的自动化升级方案。然而，织物疵点类型繁多（ISO标准列举了130种不同疵点），且织物背景纹理多变，这极大地增加了自动识别的难度。

先前的研究多聚焦于单一特征提取方法与单一分类器的组合，或单独比较分类算法。为填补现有研究中在多种特征提取方法综合性对比、结合分类时间性能评估等方面的不足，本研究旨在系统性地探究七种基于不同原理（离散余弦变换（Discrete Cosine Transform, DCT）、主成分分析（Principal Component Analysis, PCA）、灰度共生矩阵（Gray Level Co-occurrence Matrix, GLCM）以及深度学习架构（deep learning architectures））的特征提取方法，分别与三种监督分类器（k最近邻（k-Nearest Neighbor, kNN）、支持向量机（Support Vector Machine, SVM）和决策树（Decision Tree, DT））组合后，在织物疵点检测任务上的表现，并强调同时以统计学指标、运行时间及准确率/时间比值为标准，寻求最优解决方案。

详细工作流程

本研究的工作流程包含数据准备、特征提取、分类实验与性能评估四个主要阶段，具体环节如下：

1. 数据集准备：研究选用了两个独立的织物图像数据集，以检验方法的泛化能力。

   • Kısaoğlu 数据集：包含六种特定疵点类型（飞花（fly）、脏经纱（dirty warp）、松紧经（tight-loose warp）、纤维纬缩（fibrous weft）、擦伤痕（rub mark）和纬向条纹（weft stack）），以及无疵点样本。通过数据增强（augmentation）技术，该数据集最终包含220张图像。
   • TILDA数据集：采用其公开部分C1-R1子集，聚焦于E0（无疵点）、E5、E6和E7四个类别，共计200张图像。所有图像在处理前均进行了尺寸调整。

2. 特征提取：这是本研究的核心部分，共设计了七套不同的特征集（Feature Set, FS），以全面探索从传统统计方法到现代深度学习方法的效果。

   • FS1：首先计算图像的灰度共生矩阵，然后对该矩阵应用离散余弦变换，最终提取4个特征。
   • FS2：先将图像从RGB色彩空间转换到HSV色彩空间，并进行阈值化处理以消除背景干扰，再对处理后的图像应用离散余弦变换，提取64个特征。
   • FS3：直接对图像像素矩阵应用主成分分析进行降维，选取前13个能保留至少90%能量的主成分参数作为特征。实验表明，选取前13至15个参数效果最佳，为平衡运行时间最终定为首选13个参数。
   • FS4：基于标准的灰度共生矩阵，直接计算四项统计量特征：对比度（contrast）、相关性（correlation）、能量（energy）和同质性（homogeneity），共4个特征。
   • FS5：先对图像应用离散余弦变换，然后再对变换后的矩阵应用主成分分析，选取13个主成分作为特征。
   • FS6与FS7（基于深度学习的特征提取）：利用预训练的卷积神经网络（Convolutional Neural Network, CNN）模型作为特征提取器。具体而言，FS6使用ResNet18架构的‘pool-5’层输出，FS7采用GoogLeNet（Inception v1）的‘pool5-drop_7x7_s1’层输出。输入图像尺寸均调整为224×224像素以适应网络要求。获取深度特征后，为进一步优化特征集并降低维度，创新性地引入了一种名为最大相关最小冗余（Maximum Relevance and Minimum Redundancy, mRMR）的特征选择算法，从大量的深度特征中筛选出与类别最相关且彼此之间冗余度最低的100个特征。

3. 分类实验：将上述七套特征集分别输入至k最近邻、支持向量机和决策树三种分类器中进行训练与测试。每种组合形成了一种独立的检测方法。数据集按70%用于训练、30%用于测试的比例进行划分，并采用10折交叉验证（10-fold cross validation）来确保性能评估的可靠性。

4. 性能评估：研究采用精准率（precision）、召回率（recall）、F1值（F1-measure）和准确率（accuracy）作为统计学评估指标。同时，记录并比较每种方法组合的分类执行时间，并首创性地引入“准确率/时间”比值这一综合指标，以评判在最短时间内达到最高准确率的最优解。

主要研究结果

实验结果清晰地揭示了不同方法组合在不同数据集上的表现差异。

在Kısaoğlu数据集上，性能最优的组合为FS6（ResNet18+mRMR特征）配合kNN分类器，准确率高达0.964。在各类瑕疵中，‘松紧经’疵点的平均F1值最高（0.9156），表明其最易被识别；而‘无疵点’样本的F1值最低（0.4616），说明正常样本反而容易产生误报。相比之下，基于单一DCT特征的FS1在所有方法中表现最差，尤其是与DT分类器组合时，准确率仅为0.2。在时间性能方面，仅使用4个特征的FS4平均分类时间最短（2.28秒），但其准确率（0.622）并非最优。值得注意的是，尽管FS6使用了100个特征，但其平均分类时间（4.46秒）短于使用64个特征的FS2（5.55秒），这表明特征的质量和算法效率比特征数量本身更重要。

在TILDA数据集上，最高准确率由FS6搭配SVM分类器的组合取得，达到了0.88。E0类（无疵点）在该数据集上反而获得了最高的平均F1值（0.6602），而E6类表现最差（0.489）。一个关键发现是，深度学习方法在该数据集上同样表现优异，FS6和FS7的平均准确率远高于其他统计方法，有力地证明了卷积神经网络提取的特征具有更强的辨别能力和泛化性能。

综合两个数据集的平均结果来看，FS6的整体准确率最高，达到0.831，远超其他特征集。FS7紧随其后，为0.7655。在分类器层面，kNN的表现最为稳健，平均准确率达0.6978，优于SVM（0.6539）和DT（0.6231）。当综合考虑准确率与时间效率时，FS6与kNN的组合被确认为全局最优方案，其在“准确率/时间”比值（0.2331）上具有显著的领先优势，这意味着该组合在保证极高识别精度的同时，拥有可接受的计算速度。

研究结论与价值

本研究得出明确结论：基于卷积神经网络的深度特征提取方法在织物疵点检测任务上，性能显著优于传统的统计特征提取方法，如DCT、PCA和GLCM。特别是，将预训练的ResNet18作为特征提取器，再经mRMR算法进行特征选择后，配合简单的kNN分类器，即可构成一个高效且强大的检测系统。

本工作的科学价值在于，它不是孤立地比较特征或分类器，而是系统性地交叉组合了七种特征集与三种分类器，并同步考察了时间成本，为织物疵点检测领域的算法选择提供了翔实的数据支持和明确的方法论指导。论文创新性地引入“准确率/时间”比值作为评估指标，弥补了现有研究大多忽略算法执行效率的不足。在应用层面，该研究成果对于推动纺织工业的智能化升级、实现在线实时疵点检测、降低生产成本、提升产品质量具有重要的实际意义。研究也指出了一个现实难点，即无疵点样本的分类准确率仍有待提升，反映出对正常织物背景建模的挑战性，这也是未来工作的一个方向。

研究亮点

1. 系统性的组合对比：该研究最大的特色在于其系统性地对七种迥异的特征提取思路（涵盖频率变换、统计分析、降维和深度学习）与三种主流分类器进行了近乎穷举的组合实验与性能评估，这在同类研究中并不多见。
2. 多维度评价体系：区别于仅依赖准确率等统计指标的常见做法，本研究创造性地引入了“准确率/时间”这一综合指标，强调在追求高精度的同时必须考虑计算效率，这更贴近实际工业部署的需求，为寻找最优工业检测方案提供了更全面的决策依据。
3. 深度学习与特征选择的结合：研究并未直接使用预训练网络的末端分类器，而是将其作为特征提取器，并巧妙地整合了mRMR算法用于降维和去冗余。这种方法在有效利用深度学习强大的特征表征能力的同时，避免了复杂的模型微调，实现了高精度与相对低计算量的平衡。
4. 跨数据集验证：通过在两个来源不同、纹理背景各异的织物图像数据集上进行测试，证实了基于深度学习的FS6方法具有最佳的泛化性能和鲁棒性，增强了结论的说服力。

补充说明

本研究还对比了不同预处理操作对最终结果的影响。例如，同样基于DCT的FS1和FS2，因是否使用HSV转换和阈值化导致平均准确率从0.3387剧变至0.5493，有力地说明了预处理步骤是影响模型性能的关键因素之一。作者也坦诚地指出了本领域研究面临的数据集获取困难，并展望了未来在更大规模、包含更多样化图案和纹理的织物数据集上开展研究的计划。