基于深度学习的定制化小批量色织衬衫裁片缺陷检测

The yarn-dyed shirt cuts defect detection is an important part of yarn-dyed shirt flexible manufacture, but it is difficult to solve the problems of new-pattern yarn-dyed cuts defect detection under the traditional small-batch production mode, and the performance of the deep-learning model is affected by the lack of yarn-dyed shirt cuts samples and the unbalanced proportion of defective samples, so it is difficult to automatically detect defects in yarn-dyed fabric shirt cuts. For the problem of the shortage of new pattern samples of yarn-dyed shirts involved, we studies the synthesis modeling method for new pattern samples of yarn-colored pieces based on the deep convolution generative adversarial network(DCGAN); For the imbalance problem, the synthesis modeling method for defective regions of yarn-dyed shirts based on conditional generative adversarial network(Conditional GAN) is studied; For defects that are difficult to extract features with new pattern changes in shirt cuts, we studies the defect detection method of yarn-dyed shirts based on convolution-deconvolution reconstruction of residual images. This project will provide a new theoretical basis for the defect detection of yarn-dyed shirts under customized small-batch production mode. The research results have important theoretical significance and engineering application value.

色织衬衫裁片的缺陷自动检测是色织衬衫柔性制造的重要组成部分，但在定制化生产模式下存在人工设计的特征难以解决新花型色织衬衫裁片缺陷检测的问题，以及深度学习模型性能受色织衬衫裁片样本不足、缺陷样本占比不平衡影响的问题，导致色织衬衫裁片缺陷难以自动检测。为此，本项目针对其涉及的色织衬衫裁片新花型样本不足问题，研究基于卷积对抗生成网络的色织裁片新花型样本图像合成建模方法；针对色织衬衫缺陷样本占比不平衡问题，研究基于条件对抗生成网络的色织衬衫裁片缺陷区域合成建模方法；针对人工难以构造随色织衬衫裁片新花型变化的缺陷特征问题，研究基于卷积-反卷积重构残差图像的色织衬衫裁片缺陷检测方法。本项目将为定制化小批量生产模式下色织衬衫裁片的缺陷检测提供新的理论依据，研究成果具有重要的理论意义和工程应用价值。

柔性定制化生产模式是未来服装工业发展的重要方向之一。在该工业场景中，衬衫等服装产品的原料织物，都会因为织物花型随着定制需求和时尚流行的因素而快速变化。所以，在生产过程中，这些原料织物都会面临缺少缺陷样本，而无法使用有监督范式的缺陷建模模型的问题。幸运的是，正常样本在现有的工业场景和未来的柔性定制化生产中都相对易于获得。因此，本项目针对柔性生产模式下色织衬衫裁片缺陷建模样本稀缺、人工设计缺陷识别特征成本高的问题，研究了充分利用正常样本和无监督深度学习模型建立色织衬衫裁片的缺陷检测模型。主要研究内容包括利用无缺陷新花型图像的对抗生成网络模型，建立了基于对抗生成网络模型的色织物缺陷检测模型；并进一步拓展到基于无监督自编码框架，研究了基于U型自编码器、记忆去噪自编码器、量子化变分自编码器和残差分析的色织衬衫裁片缺陷检测模型。重要研究结果如下：（1）构造了一种基于对抗生成卷积网络Denoising GAN的色织衬衫裁片缺陷检测模型；（2）构造了一种基于U 型去噪卷积自编码器网络模型的色织衬衫裁片缺陷检测模型；（3）构造了一种记忆去噪卷积自编码器的色织衬衫裁片缺陷检测模型；（4）构造了一种U型Swin Transformer自编码器的色织衬衫裁片缺陷检测模型。研究结果显示，对抗生成网络和自编码器等无监督深度学习模型，可以充分利用正常样本，建立面向柔性定制生产模式的缺陷检测模型。当有新花型的色织衬衫裁片需要检测缺陷时，只需要少量的正常样本，即可以为待检测的新花型自动建立一个定制化的缺陷建模模型。为复杂且时变的柔性生产模式下的缺陷检测问题提供了解决思路，具有良好的应用前景和理论价值。