本发明属于机织物质量检测技术领域,涉及一种基于卷积神经网络的机织物结构参数识别方法。本发明提供一种基于卷积神经网络的机织物结构参数识别方法,可以同时检测识别织物经纬密、织物组织以及色织物色纱排列,是一种精确度高、鲁棒性强、品种适应性广的机织物结构参数识别方法。同时所提出的网络可分层提取不同的图像特征,使用的深度卷积网络可应用于各种复杂纹理和颜色的机织物,可同时检测各种结构参数包括织物经纬密、织物组织、色纱排列、配色模纹等,提升了机织物结构参数自动检测的效率和效果;本发明所提出的多任务多尺度卷积网络结构可以应用于其它领域中关联特征的目标定位识别问题。

该多任务多尺度的卷积神经网络，包含一个共享多尺度特征编码器，在其后级联两个并行排列的特征解码器，根据待解决问题所需提取特征的数量的不同，可以增加特征解码器的个数。特征解码器的并行排列结构，使得网络可以处理不同的特征提取定位问题，同时由于共享多尺度特征编码器的存在使得网络尤其适用于关联特征的提取。

进一步地，所述共享多尺度特征编码器包含四个级联的多尺度模块来提取特征，每个多尺度特征模块之间进行2*2最大池化操作，四个多尺度模块的通道数依次为16、32、64、32，其中多特征模块结构包括1*1、3*3、5*5、7*7大小的四个并联的卷积层，同时在3*3、5*5、7*7大小的卷积层之前增加一个1*1大小的预处理卷积层来减少参数。激活函数全部使用ReLu。

纺织企业在来样设计与质量检测中，往往需要分析织物的经密、纬密、组织点、色纱排列等结构特征，从而准确得到样品的工艺参数，进行大规模生产或与标准样进行比对。而当产品多样，织物的基础结构特征又密集复杂时，将极大地考验工人的精力与耐心。目前，这一重复枯燥的分析检测工作，仍由熟练工人完成，耗时费力且效率低下。劳动力成本的上升，加上缩短产品生产周期的目标，使得企业对自动化产品工艺参数分析的需求迫切。

伴随着图像采集与模式识别技术的发展，应用计算机视觉的产品特征提取与检测分析，已经成为企业实行适时反应战略，进行大规模生产和质量控制的趋势。尽管基于计算机视觉的织物结构参数识别与检测分析技术发展迅速，但是现有的方法往往是对单一或少量特征点的提取分析，例如需要分别提取组织点和纱线等特征，只能单独识别某一结构参数。另一方面，由于织物的纹理颜色复杂多样，现有的方法的准确率会受较大影响，且他们往往针对于某一种特定的织物，品种适应性不够广泛。以上原因使得现有技术往往难以应用到实际生产中。

江南大学是教育部直属、国家“211工程”重点建设高校和“双一流”建设高校。学校具有悠久的办学历史、厚重的文化积淀，源起1902年创建的三江师范学堂，历经国立中央大学、南京大学等发展时期；1958年南京工学院食品工业系整建制东迁无锡独立建校，成立无锡轻工业学院；1962年无锡纺织工学院并入无锡轻工业学院；1995年更名为无锡轻工大学；2001年无锡轻工大学、江南学院、无锡教育学院合并组建江南大学；2003年东华大学无锡校区并入江南大学。

本发明极大地降低了人工成本，有利于长期维护；本发明使用的深度卷积网络可应用于各种复杂纹理和颜色的机织物，可同时检测各种结构参数包括织物经纬密、织物组织、色纱排列、配色模纹等，提升了机织物结构参数自动检测的效率和效果；本发明所提出的多任务多尺度卷积网络结构可以应用于其它领域中关联特征的目标定位识别问题。

科技成果只有通过实施开发应用，使其转化为生产力，才能取得经济效益和社会效益。成果方目标是将科技成果转化为现实生产力，期待有意愿的企业或合作单位进行合作推广或者进行产品生产。考虑合作转化、许可+合作等转化方式与企业、科学技术研究开发机构和其他组织建立合作关系。