基于自动机器学习的织物瑕疵检测方法.pdfVIP

Vol.52No.11计算机与数字工程总第421期

3426ComputerDigitalEngineering第52卷

2024年第11期

基于自动机器学习的织物瑕疵检测方法∗

122

罗海驰张家玮李岳阳

（1.江南大学物联网工程学院无锡214122）（2.江南大学人工智能与计算机学院无锡214122）

摘要在解决许多实际的计算机视觉问题时，卷积神经网络（CNN）已经展现了比传统机器学习更强大的能力。但在

解决一个具体的问题时，需要针对特定数据集，在掌握该领域具体知识情况下，才能设计出比较有效的CNN结构。而在这

个构造过程中，需要花费大量的计算资源和时间。论文提出一种自动机器学习方法，即基于随机漂移粒子群优化（RDPSO）

算法自动搜索得到最优的单分类深度支持向量数据描述（DeepSVDD）网络结构的方法（称为rdpsoCNN），应用于织物瑕疵检

测。实验证明，与一些经典的CNN结构相比，文中所提出的rdpsoCNN方法优化的模型具有更好的瑕疵检测能力。

关键词自动机器学习；卷积神经网络；单分类深度支持向量数据描述；随机漂移粒子群优化算法；瑕疵检测

中图分类号TP183DOI：10.3969/j.issn.1672-9722.2024.11.043

FabricDefectDetectionMethodBasedon

AutomaticMachineLearning

122

LUOHaichiZHANGJiaweiLIYueyang

（1.SchoolofInternetofThings，JiangnanUniversity，Wuxi214122）

（2.SchoolofArtificialIntelligenceandComputerScience，JiangnanUniversity，Wuxi214122）

AbstractWhilesolvingmanypracticalproblems，themethodsbasedonconvolutionalneuralnetwork（CNN）haveshown

betterperformancethantraditionalmachinelearningmethods.However，astoaspecificproblemanddataset，anefficientCNN

modelcanonlybedesignedbasedonknowingdomainknowledgecompletely.Usuallyitwilltakeplentyofcomputingresourceand

timetofinishthedesigningprocedure.Thispaperproposesanewautomaticmachinelearningmethod（namedrdpsoCNN）forfabric

defectdetection，therandomdriftparticleswarmoptimizationalgorithm（RDPSO）isusedtoautomaticallyfindanoptimalCNN

structureofone-classdeepsupportvectordatadescription.TheexperimentalresultsshowthattheproposedrdpsoCNNcanfind

goodCNNstructuresthatac