目前,纺织物属性识别方法主要为触觉传感识别方法和视觉图像识别方法。触觉传感识别方法是通过分析触觉传感器与织物接触发生相对滑动所产生的动态力,来识别织物软硬度属性,其涉及参数多,且准确率不高。视觉图像识别方法是通过视觉传感器检测织物纹理信息,来识别织物材质属性,立体纹理信息不丰富且缺少力学信息,识别织物材质种类有限。为全面提高织物识别准确率,本文设计一种基于视觉的触觉传感器用图像识别触觉信息,采用卷积神经网络来识别织物属性。首先,基于触觉成像原理,利用聚二甲基硅氧烷Polydimethylsiloxane材料制作透明弹性体,结合微型摄像头,设计基于视觉的触觉传感器。PDMS透明弹性体主动与织物接触后产生形变留下压痕,利用视觉传感器扫描PDMS透明弹性体的压痕,获取织物的力学信息和纹理信息。采用3D打印技术制作传感器本体结构,组装后安装在机械爪上对织物进行主动触碰。其次,搭建实验平台,利用QT工具设计织物压痕图像采集交互界面,利用基于视觉的触觉传感器采集30种不同材质的织物压痕图像,对图像标注构建织物属性数据集。数据集中对织物的材质、柔软性、延展性以及光滑度等六个属性进行描述分类,制作图像标签,同时对数据集进行预处理。然后,搭建神经网络模型,把注意力机制模块嵌入到Res Net50模型进行优化,提高显著特征信息的提取能力;针对织物的多属性,引入多任务学习,达到共享特征、简化调参过程以及多输出的效果,对织物属性的单任务、多任务以及是否融入注意力机制进行多次对比实验并对结果进行分析。最后,对公开数据集ICRA2018进行预处理,对本文模型进行测试,针对ICRA2018中11个分类任务进行对比实验,实验结果表明,优化后的模型在11个任务中准确率均有提升,超过原数据基线,验证该模型的有效性。