基于卷积神经网络算法的纺织品毛球评定研究∗

林宗缪 陈 宁

（上海市质量监督检验技术研究院 上海 201114）

1 引言

纺织品起毛起球是评定织物服用性能的重要指标之一。纺织品在穿着洗涤使用过程中，会受到不同程度的摩擦。在外部摩擦力的作用下，纤维头端滑动、松散并露出织物表面，形成一层毛茸，甚至纤维头端露出后缠结形成毛球，大大降低纺织服装产品的美观性［1］。消费者往往觉得弃之可惜，穿着又难受。纺织物起毛起球过程如图1所示。

图1 纺织物起毛起球过程

传统的纺织品起毛起球检测是根据标准方法进行实验，由多名专家或技术员对实验结果进行人工目测评评定，这种方法因评判人员的专业知识和经验差别而使评定结果有较大主观性和不确定性。因此，需要建立一种科学的人工智能评判方法进行纺织品毛球检测结果分析，保证评判的客观性和准确性。

当前人工智能得到了较大的普及和发展。1997年人工智能打败了国际象棋世界冠军卡斯帕罗夫，2016年AlphaGo战胜世界围棋冠军李世石。当前，国内外许多大公司已将人工智能作为企业战略重心。例如，无人驾驶汽车、智慧城市大脑、智能语音、智慧医疗等。人工智能研究的核心领域在人工智能算法。目前，基于神经网络算法的深度学习［2～4］是当前智能算法最热闹的研究方向。2013年，深度学习被麻省理工学院评为年度十大科技之一。深度学习应用于图片识别、语音识别、自然语言识别、医疗智能诊断等领域。

卷积神经网络［5～7］CNN是一种改进的人工神经网络，在图像识别应用上有着较低的误识率。本文基于卷积神经网络提出一种纺织品毛球评定方法，对纺织品起毛起球进行人工智能评定，实现较好的分类效果。

2 纺织物毛球评定算法

2.1 评定流程

基于卷积神经网络算法的纺织品毛球评定方法流程如图2所示。

图2 基于CNN的纺织品毛球评定方法流程

1）采用高清相机采集实验后的检测样品图片，采用直方图均衡化对图片进行增强操作，减少环境干扰和图片失真。

2）构建卷积神经网络CNN，训练纺织物毛球评定模型。

3）对检测样品进行评定分类。

2.2 评定标准

根据国标《GB/T 4802.1-2008纺织品织物起毛起球性能的测试》对于纺织物起毛起球的评定等级定义如表1所示。由专家或评定人员依据评定表格对每一块试样评定，以全部评定人员评级的平均值做为该样品的评定等级。平均值如果非整数，则修约至最近的0.5级，并用-表示，如3～4级。

表1 评定等级描述

评定分级样照如图3所示。

图3 纺织品毛球等级样照

2.3 构建卷积神经网络模型

2.3.1 卷积神经网络

卷积神经网络（Convolutional Neural Network，CNN）是一种适用于图像分类的神经网络结构，相较于以往的全连接神经网络，CNN只在相邻两层之间的节点连接且权值共享［8～10］。这优化了神经网络，降低了模型复杂度，大幅提高了运算效率。CNN一般包括五个部分：输入层INPUT、卷积层CONV、池化层POOL、全连接层FC、Softmax层。卷积神经网络网络拓扑如图3所示。

输入层（INPUT），通常是一个三维矩阵a×b×c，代表输入图像的长、宽和深度，这里深度代表了图像的色彩通道。

由于水文序列的随机性、灰色性以及不稳定性等特征，在对径流量进行模拟预测时产生了较大的误差。而误差修正模型则是对当前预测模型的补充，该方法即克服了单一方法的局限性，又高效地提高了预测模型的适用范围以及其预测精度。文中采用ARIMA模型来对径流量模拟产生的误差进行修正，其具体步骤如下：

卷积层［11～13］（CONV），通过定义卷积核对输入图片进行特征提取。卷积表示为f(x)=wx+b。卷积核又称滤波器或“感受野”。卷积核通过一个权重矩阵与输入图片的局部数据进行加权和处理，卷积核在输入数据上滑动完成对整个图片的特征提取。卷积特征图计算公式为为输出特征图大小，win为输入特征图大小，F为卷积核大小，S为卷积步长。

池化层［14～15］（POOL），可以缩小图片空间维度，保持深度不变，减少网络连接参数，优化计算效率，防止过拟合。

全连接层（FC），前几层已完成高度抽象的信息特征，通过全连接层来进行分类。最后一个卷积层与全连接层连接时需要做矩阵扁平化处理。

Softmax层，使用Softmax对线性输出进行分类处理。假设原始数组V，Vi是数组的第i个元素，那么Vi的

图4 CNN网络结构图

2.3.2 基于CNN纺织品毛球评定模型

基于CNN纺织品毛球评定模型进行设计与训练。基于CNN的纺织品毛球评定神经网络结构设计包括11个隐藏层，4个卷积层，4个池化层和3个全连接层，具体参数如表2所示。

表2 基于CNN纺织品毛球评定神经网络结构

1）输入层，采集质检机构关于纺织品毛球评定图像数据集。对图像数据集进行预处理，去除噪声、删除质量差的数据。图像预处理为RGB（100×100×3）格式。设定ratio=0.8，用于分割训练集和验证集，80%的数据用于模型训练，20%的数据用于模型验证。

3）池化层，设计4个池化层分别对应4个卷积层，大小都是2×2，深度对应着前一个卷积层。经池化后，使图片数据降低特征维度和参数量，减小过拟合。

4）全连接层，设计3个全连接层，将卷积池化后的数组矩阵拉平成一个列向量。最后输出为5个等级的纺织品毛球评定分类。全连接时选择droput、L2正则项等方法降低过拟合。

5）激活函数，选择RELU做为激活函数，该函数对数据处理具有收敛快、降梯度快的特点。

6）分类函数，选择SOFTMAX做为分类函数，将对输入的纺织品照片划分为对应的五个等级类别，从而实现纺织品毛球智能评定的目标。

3 实验结果与分析

本实验的实验环境选择一台R740XD/R730XD 2U机架式服务器。操作系统Windows 10 64bit，CPU i7-7500U 2.9 GHz，内存64GB。主机上装有Python 3.5.2、Tensorflow 1.12.1作为大CNN算法的运行环境。

实验数据采集了质检院历年的已经评定的纺织品毛球检测数据453例。原始图像大小为4000×3000，将图片进行图像增加和压缩预处理后形成100×100×3的格式，汇总入库。为了增加训练和验证数据集，我们增加对采集的数据进行位移、翻转、变色等处理，使实验图片数据增加到2265个，其中80%的数据用于模型训练，20%的数据用于模型验证。

图5 实验起毛球评定数据

实验参数设置，使用Adam优化器，设置learn⁃ing_rate=0.001，β1=0.9，β2=0.999。样本训练次数为10，梯度下降训练模型的每批次数量为64。

基于CNN纺织品毛球评定模型训练完成后进行验证，准确率如表3。

表3 基于CNN纺织品毛球评定人工智能评定准确率

实验结果总结：基于CNN纺织品毛球人工智能评定模型的综合准确率可以达到84.87%，可以形成具有指导意义的评定结论。在1级和5级纺织品的分类准确率真达到90%左右，在2-4级纺织品分类准确率有所下降。总的来说，实验模型已达到较有意义的评定准确率，具有较好的应用前景。实验中存在几个问题需要后续研究解决。一方面本评定模型的准确率仍有提高空间，后续工作将对CNN模型的结构和层级进行优化以提高成功率，另一方面，在数据上需要采集更多高质量的图像数据，来建立更完善的模型训练库。

4 结语

本文研究了一种基于CNN纺织品毛球人工智能评定方法，将卷积神经网络算法应用于纺织品毛球等级评定，通过实验表明这种纺织品毛球智能方法识别速度快，准确率较好。相较于传统的复杂的专家人员目测评定，这种方法具有更客观、更简便的优点，这有助于推进人工智能检测的发展。