本文提出了一种基于多尺度卷积去噪自编码器网络模型（multi-scale convolutional denoising autoencoder network model，MSCDAE）的织物瑕疵自动检测方法。该研究由 Shuang Mei、Yudan Wang 和 Guojun Wen 共同完成，三位作者均来自中国地质大学（武汉）机械与电子信息学院，其中 Guojun Wen 为通讯作者。该论文发表于 Sensors 期刊，2018 年 4 月 2 日在线发表，属于 Sensors 2018 年第 18 卷第 1064 号文章。
织物瑕疵检测是纺织制造业质量控制中必不可少的环节。传统的织物检测通常依赖人工目视方法，在长时间工业生产中效率低且精度差。针对这一问题，本文提出了一种无需人工标注干预的无监督学习方法，用于自动检测和定位织物瑕疵。该方法的核心思想是在多个高斯金字塔层级上使用卷积去噪自编码器（convolutional denoising autoencoder，CDAE）网络重建图像块，并根据每个图像块的重建残差进行逐像素预测，最终将不同分辨率通道的检测结果综合得到最终检测结果。本研究的主要目标是解决传统监督学习方法中难以收集大量带缺陷样本的问题，同时提高对不同类型织物纹理和不同尺度瑕疵的适应能力。
该研究的工作流程主要分为模型训练和模型测试两个阶段。在训练阶段，首先进行图像预处理，包括基于韦伯定律（Weber’s law）的照度归一化、高斯金字塔下采样以及噪声破坏处理。照度归一化通过韦伯局部描述符（Weber local descriptor，WLD）实现，以提高对光照变化的鲁棒性。高斯金字塔下采样则是为了在多尺度条件下处理不同尺寸的瑕疵。噪声破坏使用椒盐噪声模型，使后续训练中的去噪自编码器能够学习从被污染输入中恢复干净图像块的能力。接下来是图像块提取，按照设定大小从无缺陷样本中随机提取图像块，作为每个金字塔层级对应的 CDAE 网络训练集。模型训练的目标是最小化所有图像块的重建误差，优化过程采用批量梯度下降算法并通过误差反向传播进行参数更新。随后进行阈值确定，根据训练集中重建残差的均值和标准差确定分割阈值，该阈值用于后续像素级缺陷判别。在测试阶段，首先对候选图像进行相同的预处理，但不包含噪声破坏步骤；然后按行或列以固定步长提取图像块；接着将每个图像块输入训练好的 CDAE 网络，计算重建残差并构建残差图；然后根据预设阈值对残差图进行二值分割，将超过阈值的区域标记为缺陷；最后对相邻金字塔层的分割结果进行逻辑与操作，再进行逻辑或操作合成最终检测结果，并可选择性进行形态学开运算以去除噪声干扰。
在实验部分，作者使用四个数据集对模型进行了验证，包括 Fabrics、KTH-TIPS、Kylberg Texture 和作者自建的 MS-Texture 数据集。实验结果表明，该模型在不同纹理类型和不同尺度瑕疵上均展示出良好的检测性能。在图像级评价指标上，模型在四个数据集上的检测准确率分别为 83.8%、85.2%、80.3% 和 84.0%；在像素级评价指标上，模型在多个样本系列中的召回率、精确率和 F1 值均体现了一致的稳定性。作者进一步将 MSCDAE 与离散余弦变换（DCT）、相位仅变换（PHOT）和非局部稀疏表示（NLSR）等无监督方法进行了对比。结果表明，基于局部图像块的方法（NLSR 和 MSCDAE）在整体稳定性和检测精度上优于基于全局图像重建的方法（DCT 和 PHOT）。MSCDAE 在综合性能上表现最佳，这主要归因于其多金字塔结构和 CDAE 对噪声的鲁棒性。
本研究的结论指出，MSCDAE 模型具有多项显著优势。第一，该模型仅需少量无缺陷样本即可完成训练，特别适用于难以大量获取缺陷样本的实际工业场景。第二，由于采用多模态集成策略，该模型相较于一般检测方法具有更强的鲁棒性和准确性。第三，该模型能够处理从简单到复杂的多种类型织物纹理。该研究的科学价值在于提供了一种基于无监督深度学习的织物瑕疵检测新框架，将多尺度分析与去噪自编码器相结合，有效解决了纹理多样性和缺陷尺度差异带来的检测难题。应用价值方面，该方法可在实际纺织生产线上替代或辅助人工目视检测，提高检测效率和一致性，降低人力成本和误检率。
本研究的亮点主要体现在以下几个方面。首先，提出了新的非基元类织物瑕疵检测方法 MSCDAE，对 P1 和非 P1 类型织物均具有良好的兼容性。其次，模型中的多金字塔结构与 CDAE 网络架构具有新颖性和精细性。多尺度处理确保了对不同尺度纹理特征的有效捕捉，而 CDAE 网络通过重建残差图能够直观地区分缺陷与非缺陷图像块。第三，该方法完全以无监督方式进行，无需标注真实值或人工干预，仅使用无缺陷样本即可训练，这一特性使其在实际应用中更容易推广。此外，模型在训练过程中已考虑了某些类型噪声的影响，因此相较于传统方法具有更好的噪声鲁棒性。
在实现细节方面，实验在一台配备 12 核 CPU、128 GB 内存和 NVIDIA GTX 980Ti GPU 的服务器上完成，模型及对比方法主要使用 Python 和 MATLAB 语言实现，并利用深度学习库 Keras 构建网络。该研究得到了中国国家自然科学基金（项目号 41672155、61733016）的资助。总体而言，本文所提出的 MSCDAE 模型为织物瑕疵自动检测提供了一种具有较强实用性和扩展性的技术路径，并为后续复杂纹理条件下的瑕疵检测研究奠定了基础。