随着人们生活水平的提高,对于皮革产品的消费需求也由实用型转变为质量型。消费者的需求刺激着制造领域不断改进其生产技术,以保证皮革产品的高质量。其中,在皮革原料的加工过程中,表面可能存在多种类型的缺陷。在皮革产品的制作之前准确高效的识别出存在缺陷的皮革原料,有利于提高皮革成品的质量。同时存在缺陷的皮革可以根据其缺陷的类型进行不同的处理,故对不同缺陷的自动分类可以进一步提高后续的工作效率。我国皮革加工行业对皮革表面缺陷的检测和分类工作主要通过人工完成。这种方式受主观因素的影响,工人极易因情绪及工作时间等外部因素的影响发生误检、误判。同时人工作业效率的差异严重影响了整个加工流程的进度。因此,皮革原料表面缺陷的自动分类研究对皮革制造行业整体效率的提升及生产成本的降低有着重大意义。目前,针对皮革原料表面缺陷检测的问题国内外的研究人员提出了许多不同的检测算法,但是这些算法均是针对皮革原料进行有无缺陷的检测,并不能进行各类型缺陷的自动分类。针对此问题,本文基于参数优化残差网络对高清皮革表面缺陷进行自动分类的研究与应用分析。本文的主要贡献包括以下几点:1.提出一个基于参数优化残差网络的皮革表面缺陷分类框架对整张皮革的缺陷进行自动分类,解决目前皮革缺陷相关的研究未能对缺陷类型进行详细分类的问题。所提方法对整张皮革进行缺陷自动检测并分为常见的五大类:划痕、烂面、破洞、针眼、无缺陷,为后续的皮革质量分级做准备。2.利用最小二乘算法对实验数据进行拟合确定合适的滑动裁切窗大小。皮革上的缺陷是皮革样本上面积较小的区域,如何确定窗口大小是一个挑战性问题。过小目标窗口不能完全包含缺陷区域会使网络训练时不能正确提取对应缺陷特征,过大的目标窗在样本输入网络经过随机裁剪后可能会使缺陷特征被破坏。针对此问题,本文进行不同大小目标窗的对比实验,利用最小二乘拟合确定含缺陷的目标窗口大小。3.通过实验验证数据集的合适大小。深度学习算法在小数据集上可能会发生过拟合问题,大规模的数据集可以使网络参数训练的更加彻底,但也会大大增加实验工作量。因此本文在保证分类精度的前提下通过不同规模数据集的实验对比确定数据集合适大小。4.通过实验分析对深度残差网络进行参数优化,并使用相同皮革缺陷数据集通过对比实验验证不同网络的性能。实验结果表明,所提方法应用的参数优化的残差网络对皮革缺陷进行了有效检测并分类,性能超过常见的网络模型,分类精度达到94.6%。