Redes neurais convolucionais (Convolutional Neural Network, CNN) podem ser utilizadas para a identificação e classificação de defeitos em tecidos no ambiente industrial de produção. Considerando o problema real de baixa distinção visual entre tipos de defeitos em tecidos e o desequilíbrio na coleta de amostras de dados de defeitos, este artigo propõe a Rede de Reconhecimento de Defeitos em Tecidos baseada no método de incorporação de rótulos (Textile Defect Recognition Network Based on Label Embedding, TDRNet). Primeiramente, o algoritmo ajustou a estrutura da rede backbone básica para melhorar a precisão de classificação do modelo; em seguida, projetou um Módulo de Incorporação de Rótulos (Label Embedded Module, LEM) e utilizou esse módulo para gerar deslocamento dos pesos das classes do modelo; posteriormente, este artigo propôs a função de perda de percepção da distribuição (Distribution Perception Loss, DP Loss) para ajustar a distribuição das classes do algoritmo, reduzindo assim a distância intraclasse das características de defeitos semelhantes e aumentando a distância interclasse das características de defeitos diferentes; por fim, foi introduzida a função de perda Seesaw, que equilibra dinamicamente a atualização dos gradientes durante o treinamento do modelo, suprimindo os gradientes negativos das classes minoritárias e aumentando a perda de amostras em casos de classificação incorreta, para aliviar a taxa de erro em classes minoritárias. No conjunto de dados de classificação de defeitos de tecidos "Guangdong Intelligent Manufacturing" criado por nós, o framework proposto alcançou taxas de erro top1 de 16,35% e 17,12% nas tarefas de classificação grosseira e fina, respectivamente, enquanto a taxa de erro top5 na tarefa de classificação fina foi tão baixa quanto 5,20%. Em comparação com outros modelos de classificação, o TDRNet alcançou os melhores resultados nos experimentos comparativos. Além disso, comparado com modelos clássicos de classificação fina dos últimos 5 anos, o TDRNet obteve resultados SOTA, evidenciando totalmente sua superioridade.

redes neurais convolucionais;reconhecimento de defeitos em tecidos;incorporação de rótulos;função de perda de percepção da distribuição;perda Seesaw