布料品質管理是紡織業的一個重要課題，因為好的品質管理可以降低營運的成本並提高產品的品質，同時保持良好的客戶滿意度。由於圖形處理單元技術的進步，以及類神經網路架構的不斷改進，使得卷積神經網路成為一種有效的圖形辨識方法，因此本研究將採用卷積神經網路來做三種織物常見瑕疵的影像辨識，這三種瑕疵分別為油汙、斷緯和節紗。
本研究所使用的卷積神經網路模型為Inception-Resnet-V2，藉由設定其中不同網路架構的層數，來找出較適用於織物瑕疵辨識的設定，所採用的評估方法為k等分交叉驗證方法。當選擇到適當的網路層數時，從六百張瑕疵圖像的實驗結果所得到的最佳瑕疵辨識正確率為87.67％，優於人工檢測的辨識率，尤其是對於斷緯和油汙這兩種瑕疵，其辨識準確率均可超過90％，顯示了本研究所提出的方法可以有效的用來識別織物瑕疵類型，並切合實務使用的需求。

Quality control of fabrics is a key issue in textile industry, because it can reduce operation cost, improve product quality, and maintain satisfaction level of customers. Convolution neural network has been shown to be an effective method for pattern recognition due to the improvement on its structure and the graphic processing unit. This study focuses on applying convolutional neural networks to identify three types of fabric defects: oil mark, cut weft, and knotted yarn.
The model of convolutional neural networks is the Inception-Resnet-V2 with different layers, and the evaluation method is k-fold cross validation. When the number of layers is properly chosen, the experimental results on six hundred defect images show that the best accuracy of the model can be up to 87.67%, better than that for manual inspection. In particular, the classification accuracies of defects cut weft and oil mark are both larger than 90%. These demonstrate that the proposed method can effectively identify the types of fabric defects to meet practical requirements.

參考文獻
中文部分
Goodfellow, I., Bengio, Y., Courville, A. (2017)。DEEP LEARNING 深度學習(p.201)，中國大陸北京:人民郵電出版社。

Markoff, J. (2015)。與機器人共舞：人工智能時代的大未來(p.01)，中國大陸:浙江人民出版社。

王益文(2016)。卷積神經網路以字根辨識印刷體中文字，私立逢甲大學資訊工程學系碩士論文。

佟樂，黃偉強(2016)。用於織物瑕疵檢測的最優Gabor濾波器設計，華岡紡織期刊第二十三卷第四期，pp.213–217。

李開復，王詠剛(2017)。人工智慧來了(pp.65-66)，台北:天下文化。

何倞(2016)。基於偵測和深層卷積神經網路特徵共享的即時多車輛追蹤系統，
國立清華大學資訊系統與應用研究所碩士論文。

林東賦(2001)。應用影像處理技術與類神經網路理論於非織物瑕疵辨識，國立台灣科技大學纖維暨高分子工程技術研究所碩士學位論文。

林永鑫(2018)。植基於卷積神經網路之高效能車牌辨識系統，國立臺灣師範大學電機工程學碩士論文。

周哲伍(2018)。基於卷積神經網路及色彩影像技術之火焰辨識，國立中央大學電機工程學系研究所碩士學位論文。

胡依淳(2017)。深度卷積神經網路中卷積層分析及比較，國立暨南國際大學電機工程學系研究所碩士學位論文。

唐進民(2018)。深度學習之PyTorch之實戰計算機視覺(pp.51-52)，中國大陸北京:電子工業出版社。
張任坊，張紹勳(2019)。人工智慧(AI)與貝葉斯(Bayesian)迴歸的整合：應用STaTa分析 (p.17)，台北市:五南圖書出版股份有限公司。

張瓊方(2017)。使用卷積神經網路偵測街景文字圖案，國立中央大學資訊工程學系碩士學位論文。

陳祥輝(2018)。用卷積神經網路辨識CT影像內肺部結核之研究，國立台北大學統計學系碩士學位論文。

謝鈞惟(2018)。縮小更快速區域卷積神經網路的適應性前車偵測與辨識，國立中央大學資訊工程學系研究所碩士學位論文。

謝鎧楠(2018)。使用深度與彩色影像的卷積神經網路做倒車障礙物偵測，國立中央大學資訊工程學系研究所碩士學位論文。

蕭寧諄(2018)。階層卷積神經網路的人臉偵測與辨識，國立中央大學資訊工程學術研究所碩士學位論文。

英文部分
Abouelela, A., Abbas, H. M., Eldeeb, H., Wahdan, A. A., & Nassar, S. M. (2005), Automated vision system for localizing structural defects in textile fabrics, Pattern Recognition Letters, vol. 26, pp.1435–1443.

He,K., Zhang, X., Ren, S., & Sun. j. (2016), Deep residual learning for image recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.770-778.

LeCun, Y., Boser, B., Bengio, Y., & Haffner. P. (1998), Gradient-based learning applied to document recognition. Proceedings of the IEEE vol. 86 Issue: 11, pp.2278-2324.

Stojanovic, R., Mitropulos, P., Koulamas, C., Karayiannis, Y., & Koubias, S. (2001), Real-time vision-based system for textile fabric inspection, Real-Time Imaging, 7(6), pp.507-518.

Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, S., Erhan, D., Vanhoucke, V., & Rabinovich, A. (2015), Going deeper with convolutions. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp.1-9.

Szegedy, C., Ioffe, S.,Vanhoucke, V., & Alemi, A. A. (2017), Inception-v4, Inception-resnet and the impact of residual connections on learning. Proceedings of the Thirty-First AAAI Conference on Artificial Intelligence, pp.4278-4284.