基于循环学习率优化的卷积神经网络在织物缺陷检测中的创新应用

一、研究团队与发表信息
本研究由土耳其Ondokuz Mayıs大学电气与电子工程系的Swash Sami Mohammed和Hülya Gökalp Clarke共同完成，发表于2024年IEEE Innovations in Intelligent Systems and Applications Conference (ASYU)，会议论文编号DOI: 10.1109/ASYU62119.2024.10757038。

二、学术背景与研究目标
织物缺陷检测是纺织工业质量控制的核心环节，传统人工检测效率低且易受主观影响。尽管卷积神经网络（CNN）已在该领域取得进展，但现有模型在复杂织物纹理和小样本缺陷检测中仍存在精度不足、泛化能力有限的问题。本研究提出一种结合循环学习率（Cyclical Learning Rate, CLR）策略的改进CNN模型，旨在解决以下问题：
1. 多类型织物缺陷的精准分类：针对针迹线（needle lines）、孔洞（holes）、油渍（oil stains）和滚轮标记（roller marks）四类缺陷；
2. 小样本学习优化：通过数据增强和CLR策略提升模型在有限数据下的性能；
3. 工业部署可行性：降低模型复杂度以适配实时检测需求。

三、研究流程与方法
1. 数据集构建
- 样本采集：从伊斯坦布尔针织厂收集1,958张缺陷样本，覆盖3种织物类型（平纹、斜纹、缎纹）和4类缺陷（图1）。
- 数据标准化：使用DSLR相机在4 ppmm（像素/毫米）分辨率下采集256×256像素的彩色图像，并通过旋转、缩放进行数据增强。

1. 模型架构设计

   • 双路径特征提取：
     
     • 大特征块：采用ResNet残差结构（5×5卷积核）捕获宏观缺陷（如孔洞）；
       
     • 小特征块：3×3卷积核提取微观纹理特征（如针迹线）。
       
   • 动态学习率调度：CLR策略在300训练周期内动态调整学习率（范围0.0011~0.01），避免局部最优。
     

2. 训练与验证

   • 参数配置：使用TensorFlow框架，Adam优化器，二元交叉熵损失函数（公式1）。
     
   • 硬件环境：Google Colab Pro GPU加速，模型参数量868,097，显著低于对比模型（如VGG16的1,470万参数）。
     

3. 性能评估

   • 指标：准确率（Accuracy）、召回率（Recall）、精确率（Precision）、F1分数及损失函数值。
     

四、主要结果
1. 验证集性能：
- 准确率95.00%，召回率96.60%，精确率96.60%，F1分数96.58%，损失值0.2225（表II）。
- CLR策略使学习率稳定收敛至0.0011（图4），显著提升训练效率。

1. 对比实验：

   • 本模型在参数量减少94%的情况下，性能超越VGG16、ResNet50和InceptionV3（如F1分数提高1.02%~1.85%）。
     

2. 工业适用性：

   • 4 ppmm分辨率下单图像处理耗时仅2.3ms，满足实时检测需求。
     

五、结论与价值
1. 科学价值：
- 提出“双路径ResNet+CLR”混合架构，为小样本缺陷检测提供新范式；
- 验证了CLR在纺织工业AI中的优化潜力。

1. 应用价值：
   
   • 可集成于纺织生产线，替代人工检测，预估缺陷漏检率降低至%。
     

六、研究亮点
1. 方法创新：首次将CLR与ResNet结合，解决织物缺陷检测中的梯度消失问题；
2. 数据贡献：公开首个包含3类织物、4种缺陷的原创数据集；
3. 效率突破：模型复杂度仅为同类模型的6%，适合边缘计算部署。

七、其他价值
研究局限性包括未覆盖弹性织物缺陷，未来可扩展至多模态数据（如红外成像）。参考文献[20-23]的对比分析表明，本模型在复杂图案缺陷检测中具有显著优势。