纺织面料是一类组织结构复杂且种类繁多的产品,目前市场上已知的织物面料已达成千上万种,在大量织物面料样本中快速准确实现相同或相似样本的分类,对织物生产工艺控制和销售查询都具有指导性意义。目前织物分类技术的研究集中于传统图像处理和深度学习两种方法。传统数字图像处理方式无法在大数据背景下完成快速分类,其存在复杂采集环境中算法的适用性不高的问题。因此,在大数据背景下基于深度学习的图像分类方法成为一种主流趋势。然而,深度学习技术还存在制约其在织物分类领域应用推广的瓶颈问题,主要表现在以下两个方面:首先,环境复杂的工业生产过程要求深度模型在复杂环境下完成分类任务,因此需要大量真实环境下采集的训练数据,而这类数据的采集却需要耗费大量人力物力;其次,现有深度学习模型研究,大都集中在批量学习算法或训练方式研究,而实际生产中织物种类是逐渐增加的,训练数据无法一次性获取,如何让旧网络在不丢失旧数据分类能力的前提下,使其具备新数据分类能力也是一项有待解决的问题。针对以上问题,本课题开展了以下研究工作:1.针对缺乏在复杂环境下的织物训练数据集问题,本文搭建了一套多自由度织物图像自动采集系统,自动采集多角度多光照的织物图像数据,可模拟不同场景下的真实采集情况。为缩短准确获取织物图像的时间,对系统进行了相机位姿计算和随机采集路径优化。通过不同数据集的对比实验,证明自动采集系统的数据训练得到的模型对不同采集条件下图像的分类准确率均可达到91%以上。2.针对图像分类模型在应用过程中快速准确分类问题,本文通过充分调研选取了Res Net18、Mobile Net-v3、Ghost Net三种在图像分类方面性能良好的轻量级网络,使用系统采集的织物图像训练这三种网络,并对得到的模型进行全方面的对比分析,发现Res Net18在保持织物图像分类效果良好的前提下,具有更快的分类速度。3.针对于织物种类不断增加的问题,本文在Res Net18模型基础上设计了基于模型集成和特征提取器的两种增量式织物图像分类网络,并进行了对比实验验证,结果表明基于特征提取的增量式网络在时间成本上明显优于模型集成增量网络,并在大批量数据背景下,能够对织物分类准确率保持在97%以上,综合性能较好。