畳み込みニューラルネットワーク（Convolutional Neural Network、CNN）は、工業生産環境下における繊維製品の欠陥検出および分類に使用できる。実際のシーンで、繊維製品の欠陥は欠陥タイプ間の視覚的識別度が低く、データサンプル収集時に欠陥クラスの不均衡問題が存在する。これらの問題に対処するため、本稿ではラベル埋め込み手法に基づく繊維欠陥認識ネットワーク（Textile Defect Recognition Network Based on Label Embedding、TDRNet）を提案する。まず、アルゴリズムは基盤となるバックボーンネットワークの構造を調整し、モデルの分類精度を向上させた。次に、ラベル埋め込みモジュール（Label Embedded Module、LEM）を設計し、このモジュールを用いてモデルのクラス重みオフセットを生成する。さらに、本稿では分布認識損失関数（Distribution Perception Loss、DP Loss）を提案し、アルゴリズムのクラス分布を調整することで、同種欠陥特徴のクラス内距離を縮小し、異種欠陥特徴のクラス間距離を拡大した。最後に、Seesaw損失関数を導入し、少数クラスの負のサンプル勾配を抑制すると同時に誤分類時のサンプル損失を増加させ、モデルの訓練中に異なるサンプルでの更新勾配を動的にバランスさせ、少数クラスの誤分類率を緩和した。自製の「Guangdong Intelligent Manufacturing」布欠陥分類データセットにおいて、本提案フレームワークは粗粒度分類および細粒度分類の2つのタスクで、それぞれtop1誤分類率16.35％および17.12％を達成し、細粒度分類タスクではtop5誤分類率が5.20％と低かった。他の分類モデルと比較して、TDRNetは対比実験で最良の結果を得た。加えて、過去5年間の代表的な細粒度分類モデルと比較してSOTA結果を取得し、TDRNetの先進性を十分に示した。

畳み込みニューラルネットワーク;繊維欠陥認識;ラベル埋め込み;分布認識損失;Seesaw損失