합성곱 신경망(Convolutional Neural Network, CNN)은 산업 생산 환경에서 섬유 결함의 식별 및 분류에 사용될 수 있다. 실제 환경에서 섬유 결함 유형 간의 시각적 구분이 어렵고 데이터 샘플 수집 시 결함 클래스 불균형 문제가 존재하는 문제를 해결하기 위해, 본 논문에서는 라벨 임베딩 기반 섬유 결함 인식 네트워크(Textile Defect Recognition Network Based on Label Embedding, TDRNet)를 제안한다. 먼저, 알고리즘은 기본 백본 네트워크 구조를 조정하여 모델의 분류 정확도를 향상시켰다; 다음으로 라벨 임베딩 모듈(Label Embedded Module, LEM)을 설계하여 모델의 클래스 가중치 편향을 생성하는 데 사용하였다; 그 후 분포 인식 손실 함수(Distribution Perception Loss, DP Loss)를 제안하여 알고리즘의 클래스 분포를 조정함으로써 동종 결함 특성 간의 클래스 내 거리를 줄이고 이종 결함 특성 간의 클래스 간 거리를 넓혔다; 마지막으로, Seesaw 손실 함수를 도입하여 소수 클래스의 음성 샘플 그래디언트를 억제하고 오분류 시 샘플 손실을 증가시켜 모델 훈련 과정 중 다양한 샘플에서의 업데이트 그래디언트를 동적으로 균형 조절하여 소수 클래스의 오분류율을 완화하였다. 자체 제작한 '광둥 스마트 제조' 직물 결함 분류 데이터셋에서 제안한 프레임워크는 거칠고 세밀한 분류 작업에서 각각 16.35%와 17.12%의 top1 오류율을 달성했으며, 세밀 분류 작업에서는 top5 오류율이 5.20%로 낮았다. 다른 분류 모델과 비교했을 때 TDRNet은 대조 실험에서 최상의 결과를 얻었다. 또한 최근 5년간의 고전적인 세밀 분류 모델들과 비교하여 SOTA 결과를 얻어 TDRNet의 우수성을 충분히 입증하였다.

합성곱 신경망;섬유 결함 인식;라벨 임베딩;분포 인식 손실;Seesaw 손실