基于改进EfficientNet的化纤色泽品质分类系统

罗彬豪 王杰

摘要：化纤长丝是常见的纺织品原料之一，为保证化纤丝筒产品质量，必须在出厂前对其进行全面检测。对此，设计了一套化纤丝筒外观品质分类系统，可以实现对化纤丝筒的快速检测。首先对实验平台进行建模并完成搭建，然后实地采集四类化纤丝筒照片，并利用数据增强制成化纤色泽品质分类数据集。之后，为更好地融合化纤图片的多尺度信息，引入PANet结构代替FPN层。此外，为让网络模型在多尺度融合时关注重点特征，在PANet中引入PSA注意力机制。实验结果表明，该方法在当前数据集上达到99.87%的准确率，与ResNet，VGG，DenseNet等网络相比在精确率和召回率上均有提升，能有效完成化纤色泽的分类判断。

关键词：化纤；检测；注意力机制；数据增强；EfficientNet

中图分类号：TH18；TS151.9 文献标志码：A doi：10.3969/j.issn.1006-0316.2024.02.007

文章编号：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

化纖长丝是常见的纺织品原料之一，其因具有优良的透气性、悬垂性、耐磨性等优点，被广泛应用于服装纺织、航空航天、医学用料等多个领域。在化纤长丝生产过程中，由于卷绕张力不合适、环境设备脏污或溶体原因，容易导致缠绕形成的丝筒的部分区域偏黄或偏黑，使得化纤长丝的品质发生严重降级。这类颜色缺陷既会影响后续纺织物的质量，又会影响化纤长丝生产企业的声誉。因此，在丝筒封装出厂前，必须对化纤长丝进行全面检测，严格把控质量。目前，针对化纤丝筒的检测方法较为原始，主要由人工完成。这种检测方式效率低下、检测结果主观性强，易造成判别结果的不稳定，一定程度上影响丝筒检测质量。

随着工业技术的不断提升，机器视觉技术已经成功应用于各类工业生产的质量检测。郭根^[1]基于单方向凸包和SVM（Support Vector Machine，支持向量机）进行了丝饼毛羽检测与分类，然后基于DoG（Difference of Gaussians，高斯差分）和坐标序列检测表面油污与凹陷，最后基于MLP（Multilayer Perceptron，多层感知机）的纸管颜色识别，快速稳定地实现了检测需求。王泽霞^[2]提出使用改进的卷积神经网络对缺陷丝饼进行分类识别，通过改进AlexNet的卷积核大小和连接结构，达到97.1%的分类准确率。张诗涵等^[3]提出一种基于破坏学习的残差网络丝饼毛羽缺陷分类方法，该方法设计了一种区域混乱机制，将输入的图像按照区域随机打乱以凸显局部特征，经过池化处理后进行分类，在构建数据集下平均分类准确率达到95.0%。景学锋等^[4]将采集到的丝饼图像进行稀疏编码和边缘检测的预处理，然后通过极坐标变换改变空间域，接着用信息熵和能量的组合特征来表征缺陷，设置恰当的临界阈值来分割出缺陷区域和正常区域，最后对实验结果进行一定方式的处理得到了最终结果，经测试，检验准确率达到98.85%，满足工业需求。尽管已有很多人针对丝筒检测进行了研究，但大多集中在丝线、异物检测上，对丝筒的色泽缺陷检测很少。

近年来，深度卷积神经网络（Diffusion- Convolutional Neural Networks，DCNNs）取得了飞跃式发展，被证明是一种有效的视觉检测算法。因此，本文设计了一种基于DCNNs的智能检测系统，利用改进后的EfficientNet深度学习算法完成对丝筒品质的分类检测。实验结果表明，该系统运行速度快、准确率高，可为工业应用带来实际效益。

1 丝筒检测流水线及数据集

1.1 流水线总体布局

化纤丝筒的现行检测方式为：丝筒经过传送带运送到检测工位，工人从传送带上取下丝筒，将其放到强光下利用肉眼进行观察，然后依据出厂标准进行分拣。参考这一流程，在原有的传送带平台上进行改进。在传送带中间部分加上铝制外框，在外框上添加遮光玻璃，使系统的环境光照保持稳定，然后将摄像头布置在合适位置进行图像采集。搭建好的系统整体图和框内图如图1和图2所示。

整个化纤丝卷检测流水线分为以下几部分：

（1）运输系统。由传送带和步进电机组成。丝卷被夹具放置在传送带上，向前运动到达检测区域，完成检测。

（2）光源。由环形光源和条形光源组成，为图像采集提供照明条件。

（3）图像采集系统。由工业相机、红外传感器、PLC控制块组成。当红外传感器检测到化纤丝卷时，PLC收到信号，控制电机停转并向工业相机发送拍摄指令。

（4）上位机。负责检测算法的运行和记录每一个丝卷的检测结果，并显示在显示器上。

除此之外，还有用于提供稳定拍摄环境的遮光罩，以及各种支撑装置。

1.2 流水线工作流程

工作时，化纤丝筒依次进入检测箱。红外传感器检测到化纤丝筒时，向PLC发送信号。PLC控制电机停转，并向上位机发送检测信号。收到信号后，上位机开始拍摄照片，并根据照片进行品质分类和缺陷检测，并保存当前丝卷的检测结果。上位机将分类结果发送给PLC，PLC根据结果亮起不同的指示灯，屏幕上将显示缺陷位置信息。PLC控制电机继续运转，进行下一个化纤丝筒的检测。

1.3 化纤数据集

项目采集的化纤丝筒图像来自四川某丝织品生产公司，分为四種类型，如图3所示。可以看出，这四类化纤丝筒分类等级越高的，各部分的色泽差异越小。由于采集到的图片样本较少，为获得较好的训练效果并提升系统鲁棒性，对图片进行数据增强。采用翻转、倾斜、镜像、模糊等图像处理手段，最终获得的数据集组成如表1所示，总计数量为2500。

2 方法介绍

2.1  EfficientNet

近年来，卷积神经网络在图像识别领域大放异彩，从最早的LeNet^[5]，到后来的AlexNet^[6]、VGG^[7]（Visual Geometry Group，视觉几何小组）、ResNet^[8]、DenseNet^[9]，模型质量与模型效果都不断提高。

从卷积神经网络的发展趋势可以得知，其模型通常是在有限的资源配给下开发的，若资源充足，则可通过增大模型来获取更高的精度。EfficientNet^[10]通过NAS（Neural Architecture Search，神经网络架构搜索）的方式，寻找不同的增大系数，对网络的深度、宽度、分辨率进行增大，其扩展策略如图4所示。原有方法中，有的会采用增加矩阵特征的通道数（图4b）、加深网络深度（图4c），或增加输入网络的分辨率（图4d）的策略来提升网络的性能，而在EfficientNet中，会同时采用以上三种扩张策略（图4e），以更好地捕获目标特征，提升网络的检测效果。

由于化纤丝筒分类数据集较小，直接训练学习到特征的时间较长、难度较大，因此在利用EfficientNet进行训练时，将使用迁移学习^[11]的策略。即从与当前任务相关的其他任务中获得经验，找到二者的相似性，然后利用学到的相似性辅助原任务完成训练。EfficientNet在ImageNet等图像分类数据集上取得了较好的分类准确率，故本文将EfficientNet在ImageNet的权重迁移到化纤丝筒分类任务。通过这种方式可以降低学习难度，加快模型收敛速度。

2.2 改进的EfficientNet网络

FPN（Feature Pyramid Network，特征金字塔网络）^[12]是一种有效的特征提取模块，被广泛应用于多尺度物体检测问题中。它通过构造一个自顶向下的网络，能够充分提取高层次的语义信息，在带来极小额外消耗的情况下，对大范围的尺度变化有着良好的处理效果。其模块结构如图5所示。

为进一步提高准确率，增强对浅层特征的提取，本文引入PANet^[13]的Bottom-Up结构。PANet是FPN的一种改进网络结构，它在FPN的基础上加入一条Bottom-Up的通道，将底层的特征传递到上层，使融合之后的层对各部分的特征充分结合，有利于对化纤丝筒特征的准确识别。

为让网络关注化纤的重点特征，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]注意力机制。PSA是一种基于通道和空间的双重注意力机制，将输入张量从通道分成S组。首先，对于每一组，应用不同的卷积操作来获得感知场，提取不同尺度的信息。然后，SE（Squeeze-and- Excitation，压缩与激励）^[15]注意力模块提取每组通道的加权信道值。最后，使用Softmax将S组的加权值进行归一化处理。将PSA加入到PANet中间，来帮助网络在多次融合时更好地关注重点信息，从而提升化纤检测效果。

PSA网络结构如图6所示。改造后的网络结构如图7所示。

3 实验结果及分析

（1）訓练策略

训练时，共设置训练次数为100轮，批量大小为16，初始学习率为0.01，利用带重启的随机梯度下降法（Stochastic Gradient Descent with Warm Restarts，SGDR）进行训练，学习率衰减方式为余弦退火（Cosine annealing），该方式可以有效避免训练师陷入局部最小值，其公式为：

（1）

式中：为更新后的学习率；和为运行到第i次时学习率的上下限；为最后一次重启时执行过的轮数；为第i次运行时的总轮数。

（2）评价指标

图像分类中广泛使用的评价指标有准确率（Accuracy）、精确率（Precision）和召回率（Recall）。分别计算为：

Accuracy       （2）

Precision               （3）

Recal                  （4）

式中：TP表示预测为正实际为正；FP表示预测为正实际为负；TN表示预测为负实际为负；FN表示预测为负实际为正。

其中，准确率统计正确分类的样本数占样本总数的比例，可以反应一个模型整体的预测能力。精确率统计分类正确的正样本数占模型预测的正样本总数的比例。召回率统计分类正确的正样本数占实际正样本数的比例。

（3）实验环境

实验在Windows 11系统下进行，内存16G，处理器为11th Gen Intel（R） Core（TM） i5-11400H @2.70GHz，显卡为英伟达GeForce RTX 3050。实验利用基于Python3.8的Pycharm2021进行编写，基于深度学习框架Pytorch1.7.1框架实现。

（4）实验结果

为了验证EfficientNet网络的有效性，将VGG、ResNet、DenseNet、MobileNetV3^[16]、EfficientNet-B7在化纤丝筒数据集上分别进行训练，然后在测试集上进行测试。测试集准确率结果如表2所示。可以看出，EfficientNet-B7在化纤丝筒测试集上的准确率优于其余四种模型，证明了EfficientNet在化纤分类任务上的有效性。

为验证改进后的EfficientNet模型有效性，同样利用之前的化纤丝筒数据集进行训练，训练集和测试集的比例为7：3，其余参数设置和原始EfficientNet网络训练方式一致。

训练结果如图8所示。可以看出，模型在经过100轮迭代后，训练准确率和损失曲线都趋于平缓，且最终训练准确率趋于100%。

为验证所提出改进方法的有效性，设计了消融实验，如表3所示。可以看出，PSA和PANet均带来了检测效果的提升。

将训练好的模型到测试集进行验证，最终得到化纤丝筒各类别的分类结果，如表4所示。可以看出，该网络仅在极个别的样本上发生误判，整体准确率高达99.87%，较基础网络EfficientNet-B7的准确率提高了1.07%。

绘制出训练集上的混淆矩阵，如图9所示。其中，颜色表示置信度，颜色越深说明置信度越高。可以看出，各类别分类准确率接近100%，这表明了改进EfficientNet算法应用于化纤丝筒分类任务的有效性。

4 结论

本项目利用机器视觉技术实现了对化纤丝筒外观的品质分类和缺陷标识任务。针对纺织业产品长期依赖人工检测导致的效率低、主观性大、有损员工健康的问题，设计了一种自动化的化纤丝筒检测系统。本文搜集了四类共2500张化纤丝筒图像，构成了化纤丝筒分类数据集。采用EfficientNet作为原始网络，为了加强EfficientNet对化纤浅层特征的提取，引入了PANet中的Bottom-Up结构，并引入PSA注意力机制提升模型关注重点特征的能力。通过召回率和准确率的比较，验证了改进模型的有效性。改进后的模型准确率高达99.87%，有效解决了化纤色泽品质分类的问题。之后，将在色泽检测的基础上继续研究化纤跳丝、污染、毛丝等缺陷问题。

参考文献：

[1]郭根. 基于机器视觉的丝饼外观缺陷检测系统设计[D]. 西安：西安工程大学，2019.

[2]王泽霞. 基于深度学习的化纤丝饼表面缺陷识别方法研究[D]. 上海：东华大学，2020.

[3]张诗涵，景军锋，宋智伟. 基于破坏学习的残差网络丝饼毛羽缺陷分类[J]. 棉纺织技术，2022，50（3）：8-13.

[4]景軍锋，张君扬，张缓缓，等. 梯度空间下的丝饼表面缺陷检测[J]. 纺织学报，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.