本文提出了一种基于卷积神经网络（Convolution Neural Network, CNN）中GoogLeNet架构的机织织物疵点分类方法，旨在解决传统人工织物检验效率低、主观性强等问题。该研究由巴基斯坦国立纺织大学计算机科学系的Rehan Ashraf、Yasir Ijaz、Muhammad Asif、Toqeer Mahmood、Muhammad Owais以及政府学院大学软件工程系的Khurram Zeeshan Haider共同完成，于2022年8月27日发表在期刊《Mathematical Problems in Engineering》上。研究的核心目标是通过深度学习技术实现织物缺陷与非缺陷的自动分类，从而为纺织行业提供一种高效、稳定的质量控制手段。

在学术背景方面，织物表面纹理的质量控制一直是纺织工业中的关键环节。传统上，织物缺陷检测依赖人工目视检查，但这种方法存在效率低、易疲劳、主观性强等不足。随着机器视觉和深度学习技术的发展，自动化织物缺陷检测逐渐成为研究热点。织物缺陷种类繁多，常见的有断头（end-out）、脏污纬纱（soiled-filling）、松纬（sloughed-filling）、错纬（mispick）、脏污经纱（soiled-end）、经纱粗节（warp-slub）、结头（knot）、油渍（oil spot）、缺纱（missing-yarn）、粗节（slub）和破洞（hole）等。这些缺陷不仅影响织物外观，还会造成显著的经济损失。根据纺织行业的四点评分系统（4-point system），缺陷按其尺寸被赋予1至4分，以评估织物的质量等级。该研究正是在此背景下，尝试利用GoogLeNet这一预训练深度卷积神经网络，对织物的缺陷状态进行自动识别与分类，以克服人工检测的局限性。

在研究方法与流程方面，作者构建了一套完整的图像处理与深度学习分类框架。首先，实验采用了TILDA织物纹理数据集，该数据集共包含3200幅图像，涵盖多种织物类型和缺陷类别。研究中选取了六种主要缺陷类型：破洞（hole）、污点/污渍（dirt/spots）、纱线缺陷（thread defect）、深色纱线（dark thread）、浮纱（fload）以及关车痕（switch off）。实验将数据集按80%和20%的比例划分为训练集和测试集。在预处理阶段，研究采用了直方图均衡化（histogram equalization）来增强图像的对比度，使织物纹理和缺陷特征更加明显。随后，使用高斯滤波（Gaussian filtering）对图像进行平滑和去噪处理，分别应用了高斯低通滤波器和高通滤波器。此外，还利用傅里叶变换（Fourier transform）方法分析织物图像的频谱特征，通过快速傅里叶变换（Fast Fourier Transform, FFT）提取织物结构的周期性信息，从而辅助识别由缺陷引起的纹理异常。边缘检测技术也被用于突出缺陷边界，研究中比较了Sobel、Canny、Prewitt和LOG等多种边缘检测算子的效果。

在核心分类模型方面，研究采用了GoogLeNet深度卷积神经网络架构。GoogLeNet是一种包含22层网络的预训练模型，其特色在于引入了Inception模块（inception module），该模块在同一层中并行使用1×1、3×3和5×5的卷积核以及3×3最大池化，并通过1×1卷积进行降维，以提高计算效率。相比AlexNet等模型，GoogLeNet仅需约500万个参数，而AlexNet需要约1600万个参数。研究中通过迁移学习（transfer learning）对GoogLeNet进行了微调，替换了最后的全连接层以适应织物缺陷分类任务。训练过程中，输入图像尺寸为512×512像素，网络自动提取织物的深层特征，并通过softmax层输出分类结果。作为对比，研究还使用了支持向量机（Support Vector Machine, SVM）和反向传播神经网络（Back Propagation Neural Network, BPNN）对相同缺陷进行分类，以验证所提方法的优越性。

在实验结果方面，所提出的GoogLeNet模型在TILDA数据集上取得了94.46%的平均分类准确率。具体而言，对于六类缺陷：破洞的准确率为93.36%，污点/污渍为93.02%，纱线缺陷为94.35%，深色纱线为93.69%，浮纱为96.35%，关车痕为96.01%。在精确率（precision）、召回率（recall）和F1分数（F1 score）方面，各类缺陷也表现出较好的均衡性能。例如，浮纱的精确率为0.91、召回率为0.86、F1分数为0.88；关车痕的精确率为0.91、召回率为0.84、F1分数为0.87。与SVM和BPNN相比，SVM的平均准确率为92.5%，BPNN的平均准确率为89.4%，均低于所提的深度CNN模型。此外，与文献中其他方法进行比较时，如基于HOG特征的K近邻（k-Nearest Neighbor, KNN）方法准确率为74.10%，基于小波特征的BPNN方法准确率为81.97%，Kumar等人基于Gabor滤波器的方法准确率为79.7%，Hu等人的方法准确率为85.7%，Mak等人的方法准确率为80.8%，而本研究提出的方法在平均准确率上具有明显优势。值得注意的是，虽然所提方法的精确率、召回率和F1分数在与其他方法对比时并非全部最优，但其分类准确率显著更高，表明模型在整体分类性能上更为稳健。研究还通过检测率（detection rate, DR）、误报率（false alarm rate, FR）和检测准确率（detection accuracy, DAcc）等指标对模型进行了评估，并给出了相应的计算公式。这些结果表明，基于GoogLeNet的深度学习方法能够有效提取织物纹理特征，实现对缺陷织物与非缺陷织物的准确分类，且性能优于传统的机器学习方法。

在结论与意义方面，研究指出，所提出的深度神经网络架构利用监督学习方式，通过训练织物特征来实现对大量织物的分类，包括机织物（woven fabric）、单经（single warp）、双经（double warp）和双面针织物（double knit fabric）等。该方法不仅提供了更准确的分类结果，而且具有较低的误报率。在复杂图案织物上，模型取得了94.46%的平均准确率，显示出对多种图案类型织物的鲁棒性。该研究的意义主要体现在两个方面：在科学价值上，首次将GoogLeNet应用于织物缺陷分类任务，拓展了深度卷积神经网络在纺织图像分析中的应用范围；在应用价值上，为纺织行业提供了一种自动化、高效率的织物质量控制方案，有助于减少人工检查的成本和误差，提高生产效率和产品质量。此外，作者还指出，未来工作将考虑将模糊逻辑算法与深度神经网络相结合，以进一步提升缺陷分类的性能，因为模糊分析能够有效处理不确定性和模糊性问题。

本研究的亮点在于：第一，首次将GoogLeNet架构引入织物缺陷分类领域，为纺织图像分析提供了新的技术路径；第二，通过迁移学习和Inception模块的使用，实现了高效的特征提取和分类，显著优于传统方法；第三，对比了多种边缘检测和滤波方法，系统性地展示了图像预处理在织物缺陷检测中的作用；第四，在公开的TILDA数据集上验证了方法的有效性，并与其他多种已有方法进行了全面比较，证明了所提方法的优越性。这些特点使得该研究不仅在学术上具有创新性，也为纺织工业的智能化质量控制提供了实际参考。