基于機(jī)器學(xué)習(xí)的布匹瑕疵識(shí)別研究

項(xiàng)子琦

（江西財(cái)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(guó)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(qiáng)度大、檢測(cè)效率低下，還存在不能控制誤檢率的問題。計(jì)算機(jī)視覺和人工智能的發(fā)展為紡織產(chǎn)品瑕疵識(shí)別技術(shù)提供了可能。對(duì)比傳統(tǒng)的瑕疵識(shí)別算法，機(jī)器學(xué)習(xí)發(fā)揮了傳統(tǒng)檢測(cè)算法的優(yōu)點(diǎn)，目前國(guó)內(nèi)外機(jī)器學(xué)習(xí)發(fā)展特別迅猛。國(guó)內(nèi)外學(xué)者提出了大量不同的機(jī)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(jī)、動(dòng)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)常可以通過織物上缺陷的類型來判斷生產(chǎn)過程中的問題，然后進(jìn)一步調(diào)整生產(chǎn)工藝。因此，織物檢測(cè)系統(tǒng)的目的不僅在于檢測(cè)織物中的缺陷，而且在于找到生產(chǎn)中問題的關(guān)鍵并達(dá)到改善生產(chǎn)性能的目的。

瑕疵識(shí)別模塊屬于布匹檢測(cè)系統(tǒng)的核心模塊之一。瑕疵識(shí)別系統(tǒng)對(duì)分類有較高的要求，需要使用模式識(shí)別的方法來對(duì)瑕疵圖像進(jìn)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(duì)抱有興趣客觀實(shí)體的結(jié)構(gòu)性描述。模式類是某些擁有相同特點(diǎn)的樣本的集合。模式識(shí)別這一技術(shù)就是通過模式類對(duì)模式進(jìn)行分類，利用上述技術(shù)，計(jì)算機(jī)通過程序自動(dòng)化把待識(shí)模式歸類到不同模式類中去[4]。

模式識(shí)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(jì)和分類器（圖1）。

圖1 模式識(shí)別系統(tǒng)的組成

3 支持向量機(jī)

支持向量機(jī)（Support Vector Machine，SVM）方法建立在通過內(nèi)積函數(shù)進(jìn)行非線性變換將輸入的空間高維化上。支持向量機(jī)方法主要有兩個(gè)理論基礎(chǔ)：VC維理論與結(jié)構(gòu)風(fēng)險(xiǎn)最小原理，其中的VC維理論基于統(tǒng)計(jì)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(jìn)行瑕疵分類之前，需要使用人員輸入成千上萬的樣本對(duì)SVM模型進(jìn)行訓(xùn)練，由于支持向量機(jī)求解二次動(dòng)態(tài)規(guī)劃問題的耗時(shí)很長(zhǎng)，一般的普通模式識(shí)別時(shí)卻只需要對(duì)有限的幾個(gè)樣本進(jìn)行分類識(shí)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(duì)核函數(shù)矩陣進(jìn)行計(jì)算和存儲(chǔ)，就存在內(nèi)存超限的風(fēng)險(xiǎn)，例如當(dāng)樣本總數(shù)目很大時(shí)，存儲(chǔ)核函數(shù)矩陣需要占據(jù)計(jì)算機(jī)的大部分內(nèi)存；其次，SVM在二次型的尋優(yōu)過程中要進(jìn)行大量線性運(yùn)算，尋優(yōu)算法在時(shí)間上的開銷巨大。

近年來，學(xué)者針對(duì)SVM的特點(diǎn)提出了許多改進(jìn)優(yōu)化算法，主要分為兩個(gè)方面。

（1）塊算法（chunking algorithm）。對(duì)于給定的訓(xùn)練集，大多數(shù)時(shí)候支持向量是未知的。塊算法假設(shè)支持向量已知，對(duì)訓(xùn)練集進(jìn)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(yùn)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(gè)問題，將問題局限在固定的子問題個(gè)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(shí)別的過程中，屬于一個(gè)多模式識(shí)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(jìn)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(duì)待識(shí)別圖像庫(kù)中的所有布匹瑕疵圖像進(jìn)行分類，即算出每幅待識(shí)別圖像相對(duì)于分類器中各個(gè)分類面的距離，可以判斷出是否為瑕疵布匹[8-10]。

4 結(jié)語(yǔ)

介紹了SVM這一機(jī)器學(xué)習(xí)領(lǐng)域的“新星”在布匹瑕疵識(shí)別中的應(yīng)用。SVM方法以結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論為基礎(chǔ)，并具有傳統(tǒng)機(jī)器學(xué)習(xí)方法所沒有的特點(diǎn)：首先，可以得到算法中的全局最優(yōu)點(diǎn)；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(shí)別，能夠識(shí)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(duì)正常布匹圖像進(jìn)行訓(xùn)練，降低了數(shù)據(jù)的獲取難度。

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