Fisher准则指导的深层卷积神经网络织物疵点检测优化

"这篇论文提出了一种基于Fisher准则的深层卷积神经网络（FDCNN）用于织物疵点检测的方法，旨在解决具有周期性图案织物的疵点分类问题。通过深度可分离卷积构建小型DCNN，并在Softmax层引入Fisher准则约束，利用梯度算法优化网络参数，提高了分类效率和准确性。实验结果显示，FDCNN在TILDA和彩色格子数据集上的分类率分别达到98.14%和98.55%。" 本文主要关注的是利用深度学习技术改善织物疵点检测的性能，特别是对于那些有周期性图案的织物。传统的算法在此类任务上存在局限性，因此研究者提出了一种新的基于Fisher准则的深层卷积神经网络方法。首先，他们采用了深度可分离卷积（Depthwise Separable Convolution），这是一种轻量级的卷积操作，能够减少网络参数的数量，降低计算复杂度，同时保持较高的特征提取能力。 深度可分离卷积是将标准卷积分解为深度卷积（Depthwise Convolution）和逐点卷积（Pointwise Convolution）两部分。深度卷积针对每个输入通道独立进行滤波，逐点卷积则负责通道间的交互。这种方法大大减少了计算量，使得构建小型但高效的网络成为可能。 接着，研究者在DCNN的Softmax层引入了Fisher准则约束。Softmax函数常用于多分类问题，它将网络的输出转换为概率分布。Fisher准则是一种优化目标，有助于提高类间距离，增强类内凝聚力，从而改善分类性能。通过梯度算法（可能是反向传播）更新网络参数，使模型更好地符合Fisher准则，从而提高分类的准确性和稳定性。 实验部分，FDCNN模型在两个数据集——TILDA和彩色格子数据集上进行了测试，分类准确率分别达到了98.14%和98.55%，这表明该模型不仅在减少网络参数和降低运行时间方面表现出色，而且在提高织物疵点分类效果上也取得了显著的成果。 总结来说，这篇论文通过结合深度可分离卷积、Fisher准则约束以及梯度算法优化，提出了一种新的织物疵点检测模型，该模型在处理具有周期性图案的织物时，能有效提升分类精度，同时降低了计算资源的需求，对于工业生产中的质量控制具有重要的实际应用价值。