基于改進EfficientNet的化纖色澤品質分類系統

羅彬豪 王杰

摘要：化纖長絲是常見的紡織品原料之一，為保證化纖絲筒產品質量，必須在出廠前對其進行全面檢測。對此，設計了一套化纖絲筒外觀品質分類系統，可以實現對化纖絲筒的快速檢測。首先對實驗平臺進行建模并完成搭建，然后實地采集四類化纖絲筒照片，并利用數據增強制成化纖色澤品質分類數據集。之后，為更好地融合化纖圖片的多尺度信息，引入PANet結構代替FPN層。此外，為讓網絡模型在多尺度融合時關注重點特征，在PANet中引入PSA注意力機制。實驗結果表明，該方法在當前數據集上達到99.87%的準確率，與ResNet，VGG，DenseNet等網絡相比在精確率和召回率上均有提升，能有效完成化纖色澤的分類判斷。

關鍵詞：化纖；檢測；注意力機制；數據增強；EfficientNet

中圖分類號：TH18；TS151.9 文獻標志碼：A doi：10.3969/j.issn.1006-0316.2024.02.007

文章編號：1006-0316 （2024） 02-0039-07

Color Quality Classification System for Chemical Fibers Based on Improved EfficientNet

LUO Binhao，WANG Jie

（?School of Mechanical Engineering， Sichuan University， Chengdu 610065， China?）

Abstract：Chemical filament long silk is one of the common textile raw materials. In order to ensure the quality of chemical filament spools， a?thorough?inspection must be carried out before leaving the factory. In?this paper， a system for classifying the appearance quality of the?chemical filament spools is?designed， which enables?rapid detection of the?chemical filament spools. First， the experimental platform is?modeled and constructed， and then four types of chemical filament spool photos are?collected in the field and converted into a chemical color quality classification dataset using data augmentation. Furthermore， to better integrate the multiscale information of chemical images， the PANet structure is?introduced to replace the FPN layer. Additionally， to ensure?that?the network model focused?on the?key features during the?multiscale fusion， the PSA attention mechanism is?introduced into the PANet. The?experimental results show that this method achieved an accuracy of 99.87% on the current dataset with improvements in precision and recall compared with?ResNet， VGG， and DenseNet， and can effectively classify the?chemical color quality.

Key words：chemical fiber；testing；attention mechanism；data enhancement；EfficientNet

化纖長絲是常見的紡織品原料之一，其因具有優良的透氣性、懸垂性、耐磨性等優點，被廣泛應用于服裝紡織、航空航天、醫學用料等多個領域。在化纖長絲生產過程中，由于卷繞張力不合適、環境設備臟污或溶體原因，容易導致纏繞形成的絲筒的部分區域偏黃或偏黑，使得化纖長絲的品質發生嚴重降級。這類顏色缺陷既會影響后續紡織物的質量，又會影響化纖長絲生產企業的聲譽。因此，在絲筒封裝出廠前，必須對化纖長絲進行全面檢測，嚴格把控質量。目前，針對化纖絲筒的檢測方法較為原始，主要由人工完成。這種檢測方式效率低下、檢測結果主觀性強，易造成判別結果的不穩定，一定程度上影響絲筒檢測質量。

隨著工業技術的不斷提升，機器視覺技術已經成功應用于各類工業生產的質量檢測。郭根^[1]基于單方向凸包和SVM（Support Vector Machine，支持向量機）進行了絲餅毛羽檢測與分類，然后基于DoG（Difference of Gaussians，高斯差分）和坐標序列檢測表面油污與凹陷，最后基于MLP（Multilayer Perceptron，多層感知機）的紙管顏色識別，快速穩定地實現了檢測需求。王澤霞^[2]提出使用改進的卷積神經網絡對缺陷絲餅進行分類識別，通過改進AlexNet的卷積核大小和連接結構，達到97.1%的分類準確率。張詩涵等^[3]提出一種基于破壞學習的殘差網絡絲餅毛羽缺陷分類方法，該方法設計了一種區域混亂機制，將輸入的圖像按照區域隨機打亂以凸顯局部特征，經過池化處理后進行分類，在構建數據集下平均分類準確率達到95.0%。景學鋒等^[4]將采集到的絲餅圖像進行稀疏編碼和邊緣檢測的預處理，然后通過極坐標變換改變空間域，接著用信息熵和能量的組合特征來表征缺陷，設置恰當的臨界閾值來分割出缺陷區域和正常區域，最后對實驗結果進行一定方式的處理得到了最終結果，經測試，檢驗準確率達到98.85%，滿足工業需求。盡管已有很多人針對絲筒檢測進行了研究，但大多集中在絲線、異物檢測上，對絲筒的色澤缺陷檢測很少。

近年來，深度卷積神經網絡（Diffusion-?Convolutional Neural Networks，DCNNs）取得了飛躍式發展，被證明是一種有效的視覺檢測算法。因此，本文設計了一種基于DCNNs的智能檢測系統，利用改進后的EfficientNet深度學習算法完成對絲筒品質的分類檢測。實驗結果表明，該系統運行速度快、準確率高，可為工業應用帶來實際效益。

1 絲筒檢測流水線及數據集

1.1 流水線總體布局

化纖絲筒的現行檢測方式為：絲筒經過傳送帶運送到檢測工位，工人從傳送帶上取下絲筒，將其放到強光下利用肉眼進行觀察，然后依據出廠標準進行分揀。參考這一流程，在原有的傳送帶平臺上進行改進。在傳送帶中間部分加上鋁制外框，在外框上添加遮光玻璃，使系統的環境光照保持穩定，然后將攝像頭布置在合適位置進行圖像采集。搭建好的系統整體圖和框內圖如圖1和圖2所示。

整個化纖絲卷檢測流水線分為以下幾部分：

（1）運輸系統。由傳送帶和步進電機組成。絲卷被夾具放置在傳送帶上，向前運動到達檢測區域，完成檢測。

（2）光源。由環形光源和條形光源組成，為圖像采集提供照明條件。

（3）圖像采集系統。由工業相機、紅外傳感器、PLC控制塊組成。當紅外傳感器檢測到化纖絲卷時，PLC收到信號，控制電機停轉并向工業相機發送拍攝指令。

（4）上位機。負責檢測算法的運行和記錄每一個絲卷的檢測結果，并顯示在顯示器上。

除此之外，還有用于提供穩定拍攝環境的遮光罩，以及各種支撐裝置。

1.2 流水線工作流程

工作時，化纖絲筒依次進入檢測箱。紅外傳感器檢測到化纖絲筒時，向PLC發送信號。PLC控制電機停轉，并向上位機發送檢測信號。收到信號后，上位機開始拍攝照片，并根據照片進行品質分類和缺陷檢測，并保存當前絲卷的檢測結果。上位機將分類結果發送給PLC，PLC根據結果亮起不同的指示燈，屏幕上將顯示缺陷位置信息。PLC控制電機繼續運轉，進行下一個化纖絲筒的檢測。

1.3 化纖數據集

項目采集的化纖絲筒圖像來自四川某絲織品生產公司，分為四種類型，如圖3所示?？梢钥闯?，這四類化纖絲筒分類等級越高的，各部分的色澤差異越小。由于采集到的圖片樣本較少，為獲得較好的訓練效果并提升系統魯棒性，對圖片進行數據增強。采用翻轉、傾斜、鏡像、模糊等圖像處理手段，最終獲得的數據集組成如表1所示，總計數量為2500。

2 方法介紹

2.1??EfficientNet

近年來，卷積神經網絡在圖像識別領域大放異彩，從最早的LeNet^[5]，到后來的AlexNet^[6]、VGG^[7]（Visual Geometry Group，視覺幾何小組）、ResNet^[8]、DenseNet^[9]，模型質量與模型效果都不斷提高。

從卷積神經網絡的發展趨勢可以得知，其模型通常是在有限的資源配給下開發的，若資源充足，則可通過增大模型來獲取更高的精度。EfficientNet^[10]通過NAS（Neural Architecture Search，神經網絡架構搜索）的方式，尋找不同的增大系數，對網絡的深度、寬度、分辨率進行增大，其擴展策略如圖4所示。原有方法中，有的會采用增加矩陣特征的通道數（圖4b）、加深網絡深度（圖4c），或增加輸入網絡的分辨率（圖4d）的策略來提升網絡的性能，而在EfficientNet中，會同時采用以上三種擴張策略（圖4e），以更好地捕獲目標特征，提升網絡的檢測效果。

由于化纖絲筒分類數據集較小，直接訓練學習到特征的時間較長、難度較大，因此在利用EfficientNet進行訓練時，將使用遷移學習^[11]的策略。即從與當前任務相關的其他任務中獲得經驗，找到二者的相似性，然后利用學到的相似性輔助原任務完成訓練。EfficientNet在ImageNet等圖像分類數據集上取得了較好的分類準確率，故本文將EfficientNet在ImageNet的權重遷移到化纖絲筒分類任務。通過這種方式可以降低學習難度，加快模型收斂速度。

2.2 改進的EfficientNet網絡

FPN（Feature Pyramid Network，特征金字塔網絡）^[12]是一種有效的特征提取模塊，被廣泛應用于多尺度物體檢測問題中。它通過構造一個自頂向下的網絡，能夠充分提取高層次的語義信息，在帶來極小額外消耗的情況下，對大范圍的尺度變化有著良好的處理效果。其模塊結構如圖5所示。

為進一步提高準確率，增強對淺層特征的提取，本文引入PANet^[13]的Bottom-Up結構。PANet是FPN的一種改進網絡結構，它在FPN的基礎上加入一條Bottom-Up的通道，將底層的特征傳遞到上層，使融合之后的層對各部分的特征充分結合，有利于對化纖絲筒特征的準確識別。

為讓網絡關注化纖的重點特征，提升模型提取特征的能力，引入PSA（Pyramid Split Attention，金字塔切分注意力）^[14]注意力機制。PSA是一種基于通道和空間的雙重注意力機制，將輸入張量從通道分成S組。首先，對于每一組，應用不同的卷積操作來獲得感知場，提取不同尺度的信息。然后，SE（Squeeze-and- Excitation，壓縮與激勵）^[15]注意力模塊提取每組通道的加權信道值。最后，使用Softmax將S組的加權值進行歸一化處理。將PSA加入到PANet中間，來幫助網絡在多次融合時更好地關注重點信息，從而提升化纖檢測效果。

PSA網絡結構如圖6所示。改造后的網絡結構如圖7所示。

3 實驗結果及分析

（1）訓練策略

訓練時，共設置訓練次數為100輪，批量大小為16，初始學習率為0.01，利用帶重啟的隨機梯度下降法（Stochastic Gradient Descent with Warm Restarts，SGDR）進行訓練，學習率衰減方式為余弦退火（Cosine annealing），該方式可以有效避免訓練師陷入局部最小值，其公式為：

（1）

式中：為更新后的學習率；和為運行到第i次時學習率的上下限；為最后一次重啟時執行過的輪數；為第i次運行時的總輪數。

（2）評價指標

圖像分類中廣泛使用的評價指標有準確率（Accuracy）、精確率（Precision）和召回率（Recall）。分別計算為：

Accuracy???????（2）

Precision? ? ? ? ? ? ? ?（3）

Recal? ? ? ? ? ? ? ? ? （4）

式中：TP表示預測為正實際為正；FP表示預測為正實際為負；TN表示預測為負實際為負；FN表示預測為負實際為正。

其中，準確率統計正確分類的樣本數占樣本總數的比例，可以反應一個模型整體的預測能力。精確率統計分類正確的正樣本數占模型預測的正樣本總數的比例。召回率統計分類正確的正樣本數占實際正樣本數的比例。

（3）實驗環境

實驗在Windows 11系統下進行，內存16G，處理器為11th Gen Intel（R） Core（TM） i5-11400H @2.70GHz，顯卡為英偉達GeForce RTX 3050。實驗利用基于Python3.8的Pycharm2021進行編寫，基于深度學習框架Pytorch1.7.1框架實現。

（4）實驗結果

為了驗證EfficientNet網絡的有效性，將VGG、ResNet、DenseNet、MobileNetV3^[16]、EfficientNet-B7在化纖絲筒數據集上分別進行訓練，然后在測試集上進行測試。測試集準確率結果如表2所示?？梢钥闯?，EfficientNet-B7在化纖絲筒測試集上的準確率優于其余四種模型，證明了EfficientNet在化纖分類任務上的有效性。

為驗證改進后的EfficientNet模型有效性，同樣利用之前的化纖絲筒數據集進行訓練，訓練集和測試集的比例為7：3，其余參數設置和原始EfficientNet網絡訓練方式一致。

訓練結果如圖8所示?？梢钥闯?，模型在經過100輪迭代后，訓練準確率和損失曲線都趨于平緩，且最終訓練準確率趨于100%。

為驗證所提出改進方法的有效性，設計了消融實驗，如表3所示?？梢钥闯?，PSA和PANet均帶來了檢測效果的提升。

將訓練好的模型到測試集進行驗證，最終得到化纖絲筒各類別的分類結果，如表4所示?？梢钥闯?，該網絡僅在極個別的樣本上發生誤判，整體準確率高達99.87%，較基礎網絡EfficientNet-B7的準確率提高了1.07%。

繪制出訓練集上的混淆矩陣，如圖9所示。其中，顏色表示置信度，顏色越深說明置信度越高?？梢钥闯?，各類別分類準確率接近100%，這表明了改進EfficientNet算法應用于化纖絲筒分類任務的有效性。

4 結論

本項目利用機器視覺技術實現了對化纖絲筒外觀的品質分類和缺陷標識任務。針對紡織業產品長期依賴人工檢測導致的效率低、主觀性大、有損員工健康的問題，設計了一種自動化的化纖絲筒檢測系統。本文搜集了四類共2500張化纖絲筒圖像，構成了化纖絲筒分類數據集。采用EfficientNet作為原始網絡，為了加強EfficientNet對化纖淺層特征的提取，引入了PANet中的Bottom-Up結構，并引入PSA注意力機制提升模型關注重點特征的能力。通過召回率和準確率的比較，驗證了改進模型的有效性。改進后的模型準確率高達99.87%，有效解決了化纖色澤品質分類的問題。之后，將在色澤檢測的基礎上繼續研究化纖跳絲、污染、毛絲等缺陷問題。

參考文獻：

[1]郭根. 基于機器視覺的絲餅外觀缺陷檢測系統設計[D]. 西安：西安工程大學，2019.

[2]王澤霞. 基于深度學習的化纖絲餅表面缺陷識別方法研究[D]. 上海：東華大學，2020.

[3]張詩涵，景軍鋒，宋智偉. 基于破壞學習的殘差網絡絲餅毛羽缺陷分類[J]. 棉紡織技術，2022，50（3）：8-13.

[4]景軍鋒，張君揚，張緩緩，等. 梯度空間下的絲餅表面缺陷檢測[J]. 紡織學報，2020，41（2）：44-51.

[5]LECUN Y，BOTTOU L，BENGIO Y，et al.?Gradient-based learning applied to documentrecognition[C].?USA：IEEE，1998：2278-2324.

[6]KRIZHEVSKY A，SUTSKEVER I，HINTON G E. ImageNet Classification with Deep Convolutional Neural Networks[C]. Cambrige， USA：Annual Conference on Neural Information Processing Systems，MIT Press，2012：1097-1105.

[7]SIMONYAN K，ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[C]. International Conference on Learning Representations（ICLR），2014.

[8]HE K，ZHANG X，REN S，et al. Deep Residual Learning for Image Recognition[C]. NJ， USA：IEEE Conference on Computer Vision and Pattern Recognition， Piscataway，2016：770-778.

[9]HUANG G，LIU Z，MAATEN L V D，et al. Densely connected convolutional networks[C]. Ho nolulu：IEEE，Proceedings of IEEE Conference on Computer Vision and Pattern Recognition，2017：2261-2269.

[10]TAN M，LE Q. EfficientNet：Rethinking Model Scaling for Convolutional Neural Net-w orks[C]. International Conference on Machine Learning，2019：6105-6114.

[11]MAXIMEO，LEOB B，IVAN L. Learning and Transferring Mid-level Image Representations Using Convolutional Neural Networks[C]. IEEE Conference on Computer Vision and Pattern Recognition?（CVPR），2014.

[12]T.-Y. LIN，P. DOLL?R，R. GIRSHICK，et al.?Hariharan and S. Belongie. Feature Pyramid Networks for Object Detection[C]. IEEE Conference on Computer Vision and Pattern Recognition （CVPR），2017.

[13]LIU?Shu，QI?Lu，QIN?Haifang，et al.?Path Aggregation Network for Instance Segmentation[C]. IEEE Conference on Computer Vision and Pattern Recognition （CVPR），2018.

[14]ZHANG?H，ZU?K，LU?J.?EPSANet：An Efficient Pyramid Squeeze Attention Block on Convolutional Neural Network[C]. Asian Conf. Comput. Vis. （ACCV），2022：1161-1177.

[15]JIE H，LI S，SAMUEL A，et al.?Squeeze-and-Excitation Networks[C]. Computer Vision and Pattern Recognition?（CVPR），2018.

[16]ANDREW H，MARK S，GRACE C，et al. Searching for MobileNetV3[C]. IEEE International Conference on Computer Vision （ICCV），2019.