化纤长丝是一种重要的纺织原料,为了方便存储和运输,通常将其卷绕在纸筒上形成化纤丝饼。由于生产过程中各种因素以及卷绕过程中的纸筒抖动等原因,最终形成的化纤丝饼表面会存在很多缺陷,这些缺陷的存在会影响丝饼的等级评定,进而影响其价格,所以,在出厂前对丝饼进行缺陷检测是必要的。目前,大部分化纤厂使用的是人工检测方法,但是该方法可靠性不高,易出现漏检等现象。针对这一问题,本研究采用深度学习方法来实现常见化纤丝饼缺陷的识别,完成的主要工作和取得的成果如下:(1)根据实际的任务要求对采集丝饼图像所需的硬件进行相关参数计算和型号选择,完成了相机和与之匹配的镜头的选型,完成了照明部分的光源的选择以及打光方式的确定,采集了清晰、高对比度的丝饼图像,一定程度上减轻了后续算法识别部分的预处理过程。(2)采集了绊丝、成型不良、油污和正常的丝饼图像,对采集到的图像进行分块处理,突显较小的缺陷;对图像进行移位、随机旋转等数据扩充方式,进一步增加样本量并确保各类别样本的均衡;采用滤波处理降低图像噪声;最终,一共得到12465张丝饼训练样本和512张测试样本,将训练集和测试集分别制作成适合网络输入的tfrecord格式文件。(3)根据丝饼缺陷的识别任务以及丝饼的样本数量,确定了AlexNet网络作为本研究的基本网络模型,并对其进行一些改进。将首层的较大的卷积核换成较小的3×3,提取更具区分性的特征;对最后一层卷积得到的特征图,提出一种全局最大池化方法替代传统的全连接层,极大地降低了参数量,增强了网络模型对图像空间变换的鲁棒性;对网络模型中的一些关键超参数进行分析和选择,最终确定了整个网络模型。实验结果表明,本文提出的改进网络在丝饼测试集上取得了97.1%的识别准确率,识别效果较理想。(4)针对标注大量样本带来的高成本问题,从如何充分利用较少的有标签样本来快速提升网络性能的角度进行研究,提出一种主动学习方法,设计了综合考虑样本信息量和多样性的挑选准则,让网络模型基于这个准则对无标签样本进行计算和主动挑选,让专家对挑选的样本进行准确标注。对主动学习的初始注释样本和挑选停止的条件进行了设定。最后,在前面的改进模型上进行主动学习实验,实验结果表明,本文的方法仅用较少的丝饼样本就训练出具有同等性能的网络模型,降低了标注成本。