缺陷检测（一）-- 通过CNN方法实现布匹缺陷检测

参考论文：
《A fast and robust convolutional neural network-based defect detection model in product quality control》–Tian Wang·Yang Chen·Meina Qiao·Hichem snoussi

1. CNN结构设计：

1.1． 输入图像：

三通道彩色图像或单通道灰色图片

1.2． ConV(卷积层)：

卷积层利用一组滤波器，且这组滤波器仅连接到最后一层输出的一小部分。使用33或55的矩阵去卷积计算在整个图像上提取特征

1.3． 激活函数层—ReLU：

主要是用来客服梯度消失并且加快训练速度（f(x)=max(0,x)）

1.4． 池化层（Pool）：

通过缩小参数矩阵尺寸，减小参数数量

1.5． Fully Connected Layer(全连接层)：

该层的作用大概是整合前面具有类别区分性的局部信息，输出的neuron等于输入的类别数
P(zi)=exp(zi)/sum(exp(zi))

以上几层堆叠在一起形成完整的CNN，将输入值向前反馈到网络中进行决策，然后通过反向传播方法更新参数

2. 数据集设计：

总共分为6类输入数据，图片大小为512*512px，每类包含1000个无缺陷图片和150个有缺陷图片（每个纹理背景上只有一个标记的缺陷区域）
将数据分为70%用来train，30%用来验证