针织物的来样加工在针织生产中占有重要地位,在生产织物来样过程中,针织物的组织结构类型是其依据的一个重要参数。针织物组织结构自动识别的结果容易受到图像采集过程中光照不均匀、织物位置和纱线直径发生改变的影响。研究一种高性能的针织物组织结构自动识别方法具有重要意义。本文提出一种基于深度学习的针织物组织结构自动识别方法。首先采集织物样本图像,建立针织物组织结构图像数据集。然后结合迁移学习策略,用建立的织物图像数据集对SqueezeNet网络进行训练,并得到识别针织物组织结构的网络模型。网络训练开始前,对SqueezeNet网络的权重和偏置进行初始化,使网络参数有一个较好的分布。网络训练过程中,根据反向传播算法对损失函数相对于权重和偏置的偏导数分别进行计算,采用梯度下降法更新网络的权重和偏置,并提取出具有代表性的针织物纹理特征。最后加载训练好的网络模型,输入针织物的正面和反面图像,根据网络模型输出的相应识别结果的组合,判断出针织物组织结构的类型。本文建立了一套完善的针织物组织结构自动识别方法,实现了针织物组织结构的自动识别,根据采集的针织物图像实时输出针织物组织结构的类型。实验表明,本文方法能够识别出光照不均匀、织物位置和纱线直径发生改变的针织物图像的组织结构类型,在保证高识别率的情况下,识别耗时短、识别模型更加轻量化。