摘要随着纺织业向智能制造转型织物缺陷检测已成为确保产品质量、提高生产效率和降低成本的关键要素。计算机视觉和机器学习技术特别是深度学习已成为现代纺织品缺陷检测的必备工具。本文回顾了该领域的研究进展探讨了织物表面缺陷检测的技术发展及其未来方向。文章首先讨论了织物缺陷检测的各个阶段并将其分为四个步骤图像采集、图像预处理、特征提取与选择以及分类与检测。文章还探讨了图像处理技术在每个阶段的应用并通过全面的比较详细分析了每种方法的优势和局限性。此外本文整理了现有的织物缺陷数据集并讨论了数据集在模型训练中的重要性和挑战。最后文章讨论了织物缺陷检测面临的主要挑战并展望了未来的潜在研究方向。本文旨在指导纺织行业选择和应用机器视觉技术并支持智能织物检测系统的发展。1. 引言在全球经济中纺织业作为关键制造业之一发挥着举足轻重的作用Luo et al., 2023。在国际市场需求不断增长和消费者对产品质量期望日益提高的推动下纺织品生产中的有效质量控制变得至关重要Kahraman Durmu¸soglu, 2023。具体而言面料质量显著影响最终产品的性能、美观性和竞争力。面料缺陷例如色差、断纱和面料不均匀不仅会降低成品的视觉吸引力和功能性还会影响舒适性和耐用性等重要属性。因此及时发现和纠正面料缺陷已成为确保产品质量和生产效率的关键策略Kumar, 2008。面料缺陷检测已成为纺织品质量控制的关键环节并引起了广泛的关注和研究Kahraman Durmu¸soglu, 2023。尽管传统的人工目视检测方法多年来被广泛应用但由于纺织品生产规模的扩大和效率要求的提高这些方法越来越难以满足现代生产线的需求。为了满足行业需求自动化缺陷检测技术应运而生Hanbay et al., 2016。这些技术已经从早期的图像处理方法发展到如今的深度学习。基于深度学习的方法极大地加速了纺织行业质量控制的自动化和智能化进程。目前尽管已提出并应用了多种基于图像处理和深度学习的织物缺陷检测方法Fang et al., 2025但仍存在一些挑战包括数据标注困难、背景复杂度高、光照变化显著以及实时处理能力不足。虽然深度学习技术在提高检测精度方面展现出卓越的性能但如何应对真实生产环境中的动态条件仍然是一个亟待解决的关键问题。此外尽管轻量级深度学习架构例如 MobileNet、YOLO 变体以及边缘计算的最新进展在动态缺陷检测方面取得了进展但在不同光照条件下保持高精度、应对织物快速移动以及计算资源有限等挑战依然存在Liu et al., 2024; Zhu et al., 2020。因此本综述的主要目标是全面总结和分析织物缺陷检测领域现有的技术方法系统地考察其发展历程并批判性地评估当前方法的优势和劣势。在此基础上本文还预测了技术发展的未来轨迹尤其是在深度学习和图像处理等前沿技术的应用方面并探讨了它们在创新应用中的潜力。通过对现有研究的全面综合本文提供了宝贵的见解。为了纺织行业质量控制和智能制造的未来发展本文为该领域研究人员的进一步探索和技术创新提供了理论基础。本研究的具体贡献如下1. 本文全面总结了织物缺陷检测技术框架涵盖了图像采集、预处理、特征提取与选择、分类与检测等关键阶段。通过对比传统方法与现代图像处理技术揭示了技术演进的轨迹和趋势为研究人员提供了全面的参考。2. 本文详细整理了目前可用的公开织物缺陷数据集并系统地对常用的性能评估指标进行了分类。这为算法性能的公平比较和优化提供了基准指导。3. 本文深入探讨了织物缺陷检测面临的主要挑战包括复杂织物纹理和图案的干扰、微小缺陷的检测难度、计算资源有限下的实时检测要求以及现有数据集的局限性和数据不平衡问题。这些分析突显了亟需研究人员关注的关键问题。4. 在新兴技术趋势的背景下本文提出了未来潜在的研究方向。2. 织物缺陷检测的传统方法人工检测是织物缺陷检测的传统且应用最广泛的方法尤其是在小批量或精密生产过程中人工检测仍然发挥着重要作用Dhivya Renuka Devi2019。随着纺织行业的进步在大规模自动化生产线上人工检测暴露出几个显著的局限性。1. 速度和效率受限现代纺织生产线的运行速度通常达到每分钟数十米甚至数百米在这种高速环境下人工检测难以实时跟进形成明显的效率瓶颈。虽然可以通过优化调度或引入辅助工具来提高效率但人工检测仍然难以适应连续高速的生产节奏。在一些对质量要求较高的环节生产线可能需要暂时减慢速度进行人工检测这会影响整体效率和成本控制这与纺织行业追求高效率、高产量的趋势背道而驰。2. 主观因素影响检测准确性人工检测的准确性与操作人员的经验和视觉能力密切相关。由于工作习惯和经验的差异可能会出现偏差。不同操作人员对同一织物的检测结果可能存在显著差异。此外长时间连续工作造成的视觉疲劳会进一步降低检测灵敏度使检验员容易忽略细微缺陷从而影响最终产品质量的判断。3. 物理分辨率限制人工检测受限于人眼固有的分辨率约0.1-0.2毫米许多关键的织物缺陷例如微小的纤维断裂0.1毫米、细微杂质或轻微的色差ΔE1往往超出视觉检测的范围。这种物理限制在对精度要求高的织物中尤为明显例如医用纺织品或航空航天特种织物这些织物上的微小缺陷会直接影响产品性能凸显了人工检测方法的根本局限性。4. 缺乏标准化和一致性人工检测缺乏标准化的评估体系导致难以量化和追踪检测结果。不同的检验员对织物缺陷的严重程度有不同的判断标准而且测试环境中的关键参数难以精确控制这些因素共同导致质量控制过程难以系统地优化无法满足现代工业对质量管理的精度要求。3. 现代图像处理技术在织物缺陷检测中的应用在现代织物缺陷检测领域整个检测过程可分为四个主要模块图像采集模块、图像预处理模块、特征提取与选择模块以及分类与检测模块。第三章的结构如下第一部分详细介绍图像采集模块第二部分重点介绍图像预处理模块第三部分着重描述特征提取与选择最后一部分总结了相关的分类与检测算法。图1展示了第三章的整体结构。图 1. 现代图像处理技术在织物缺陷检测中的应用。3.1 图像采集系统3.1.1 成像设备在织物缺陷检测中常用的图像采集设备包括工业相机、数码单反相机DSLR和智能手机相机。选择合适的成像设备取决于检测需求、预算和所需的检测精度等因素。表1对三种图像采集设备进行了比较分析。在实际工程应用中需要重点关注分辨率、帧速率匹配、光谱覆盖范围和硬件接口兼容性以实现检测性能和成本效益之间的最佳平衡。表 1. 图像采集设备比较3.1.2 照明系统在织物缺陷检测中照明系统的设计对图像质量和缺陷识别至关重要。常用方法包括前照、后照和多角度照明各有其适用范围。前照提供均匀照明适用于普通织物的基本检测但对细小或纹理较浅的缺陷响应较弱。后照通过透明度突出结构细节适用于半透明材料但可能导致过曝或光晕。多角度照明通过多个光源增强表面特征的可见性适用于复杂纹理或三维缺陷。在实际应用中应根据织物材料、缺陷类型和检测场景优化光源布置和参数以提高成像稳定性和检测灵敏度。3.2 图像预处理图像预处理是纺织品缺陷检测的重要初步步骤旨在去除干扰信息增强有效特征并提高后续的检测性能。在去噪方面常用的方法包括中值滤波适用于椒盐噪声、高斯滤波平滑高斯噪声但可能模糊细节和双边滤波平衡噪声抑制和边缘保持。近年来基于深度学习的去噪自编码器在复杂噪声环境下展现出优越性。通过灰度变换、直方图均衡化和伽马校正进行图像增强可以提高图像对比度和清晰度但需要避免过度增强导致信息失真。图像缩放和ROI裁剪可以提高计算效率并适应不同的算法输入但需要平衡插值误差和信息完整性。形态学操作例如腐蚀、膨胀、开运算和闭运算可用于去除孤立噪声并进行结构修复其效果取决于结构元素的设计。图像分割作为核心步骤通常通过阈值分割、区域生长和K均值聚类等方法将前景与背景分离。不同的方法在均匀光照条件和对初始条件的敏感性方面表现各异。实践表明多阶段、可调节的预处理工作流程能够更好地适应不同的材料和缺陷类型从而平衡检测精度和计算效率。3.3 特征提取与选择在织物缺陷检测中通过提取和选择相关特征可以有效地从图像中识别和分类织物缺陷。特征提取通常分为三种类型纹理特征、颜色特征和形状特征每种特征都发挥着不同的作用。图2给出了特征提取部分的整体结构图。图 2. 特征提取阶段的方法概述。3.3.1 纹理特征提取织物表面缺陷通常表现为纹理的细微变化。纹理特征可以有效地描述织物的表面结构和局部特征有助于识别和分类各种缺陷。纹理特征提取方法通常分为四类基于统计的方法、基于信号处理的方法、基于模型的方法和基于结构的方法Hanbay et al., 2016。表2总结了用于织物缺陷检测的纹理特征提取方法。3.3.1.1 基于统计的方法。直方图统计Dean Illowsky, 2009通过计算每个灰度级的频率分布形成灰度直方图提取图像的亮度和对比度特征。Li et al. (2019) 引入了显著性图模型来提取显著性直方图该模型能够有效地区分缺陷区域和正常区域。Selver 等人 (2014) 将和差直方图与共生矩阵相结合以提高检测精度。然而该方法对噪声敏感且缺乏描述空间纹理结构的能力。灰度共生矩阵 (GLCM) (Sebastian 等人2012) 是一种经典的纹理分析方法它通过统计分析特定方向和距离上像素对灰度组合的频率来提取织物图像的纹理特征。Zhu 等人 (2015) 将自相关函数与 GLCM 相结合实现了机织物缺陷的检测而 Hamdi 等人 (2016) 则利用图案周期分割并比较 GLCM 差异实现了图案织物的自动检测。灰度共生矩阵GLCM可以提取多方向纹理特征但计算量较大且对噪声敏感这可能会影响检测精度。局部二值模式LBPPietik€ainen2010通过比较像素与其相邻像素的灰度值生成二值码从而提取局部纹理信息。Liu等人2017融合LBP对比度生成显著性图以定位缺陷并提出了一种基于主LBP的稀疏重建方法来增强检测效果。LBP对光照变化具有很强的鲁棒性适用于检测织物缺陷例如色差和裂纹。自相关函数ACF用于描述图像纹理的重复性和周期性适用于检测具有条纹或不均匀纹理的缺陷。3.3.1.2. 基于信号处理的方法。傅里叶变换将图像从时域转换到频域以提取其周期性和频率特征。低频部分代表整体结构高频部分反映细节和边缘信息。Hu等人2015提出了一种无监督检测方法通过频谱掩蔽和小波去噪从非参考图像中提取缺陷。Hanbay等人2017利用傅里叶频谱特征进行针织缺陷的在线检测。虽然傅里叶变换适用于规则纹理但在处理复杂背景时效果有限。Gabor滤波通过特定频率和方向的滤波器提取图像纹理特征。Tong等人2016使用优化的Gabor模型提高了实时检测性能Li等人2019通过椭圆Gabor滤波器和智能算法优化参数提高了检测精度。该方法在处理定向缺陷方面表现良好但计算开销较大。小波变换是一种多尺度分析方法可以提取图像在空间和频率上的纹理和边缘特征。Li等人2015结合小波分解和高斯混合模型GMM完成了缺陷区域的分割并提出了一种高频系数阈值方法来提高断纱缺陷的检测灵敏度。总体而言这些频域方法增强了对织物局部结构变化的灵敏度并在早期研究中发挥了重要作用。它们通常与空间特征或机器学习方法相结合以提高鲁棒性和泛化能力。3.3.1.3. 基于模型的方法。马尔可夫随机场 (MRF) 模型Ozdemir Ercil1996通过建立像素间的条件概率分布来提取局部特征并能有效识别织物表面的细微或不规则缺陷。Bui 和 Apley (2018) 将图像窗口分割并提取参数利用高斯随机场 (GMRF) 模型进行分类以提高检测的自动化程度。Chang 等人 (2022) 提出了双层马尔可夫随机场 (BMRF) 模型以减少图案织物的误检。MRF 可以对复杂纹理进行建模但在高维计算中效率有限。自回归模型 (AR)Alata 和 Ramananjarasoa2005通过对像素间的线性关系进行建模来提取图像纹理特征。 Vaddin 和 Subbaraman (2014) 将自回归 (AR) 模型与光谱分析相结合用于检测织物周期性。AR 模型对局部结构敏感但在处理长程依赖性和复杂纹理方面存在局限性。高斯混合模型 (GMM) 是一种基于概率模型的特征提取方法它通过将像素分布建模为多个高斯分布的混合来描述图像的整体特征。Zhang 等人 (2010) 使用变分自编码器 (VAE) 提取特征并使用 GMM 估计密度以提高半监督检测效果。总的来说这类概率模型为复杂纹理缺陷检测提供了一个灵活的建模框架适合与深度学习和其他方法相结合以提高鲁棒性。3.3.1.4. 基于结构的方法。基于结构的方法主要通过从图像中提取局部和全局形状特征来表征织物表面的纹理图案。这些方法侧重于分析图像中的结构属性因此能够有效地检测较大或规则形状的缺陷。3.3.2 颜色特征提取由于纺织行业对产品质量的要求越来越高颜色特征提取在织物缺陷检测中尤为重要例如染色不均和色斑等缺陷。表3总结了用于织物缺陷检测的颜色特征提取方法。3.3.2.1 颜色直方图。作为一种基础且直观的颜色特征提取方法颜色直方图可以快速捕捉颜色分布的整体趋势。无论是纯色织物还是具有多种颜色的复杂纹理织物它都可以通过直方图的峰谷变化初步揭示可能的缺陷例如染色不均和色斑。Zhao等人2023提出了一种基于空间域显著性和特征聚类的无监督学习方法。他们采用多级空间域显著性方法MSDS将颜色直方图与像素值进行卷积生成显著性值有效抑制背景信息并识别潜在缺陷区域。3.3.2.2. 颜色矩。颜色矩从统计学的角度提取织物颜色特征。一阶矩均值反映平均颜色适用于整体颜色偏差检测二阶矩方差衡量颜色分散程度可识别染色不均三阶矩偏度描述颜色分布的对称性有助于检测工艺问题引起的颜色异常。目前几乎没有关于利用颜色矩提取织物特征的研究。3.3.2.3. 色彩空间变换。色彩空间变换为织物缺陷检测提供了一种新的特征提取方法有助于更准确地检测与颜色相关的缺陷例如染色不均和污渍。Zhang等人2018提出了一种基于视觉显著性测量的方法该方法首先将RGB空间转换为CIE Lab空间然后结合色差和位置距离计算缺陷值。Zhang等人2024开发了一种颜色转换网络CCN通过对比度损失学习优化RGB颜色投影以提高检测性能。Jing等人2016提出了一种基于CIE Lab空间的检测算法该算法首先进行非线性变换以获得L*、a和b特征然后结合二维Gabor滤波器和滑动阈值分割实现了95.83%的检测精度。此外YUV 和 HSL 等颜色空间也用于不同的检测任务其选择取决于织物特性和目标缺陷类型。3.3.3 形状特征提取对于具有明显形状特征的缺陷例如孔洞和污渍形状特征提取有助于准确识别其类型和位置。常用方法包括边界轮廓提取、几何描述符、傅里叶描述符和霍夫变换。表 4 总结了基于形状的织物缺陷检测特征提取方法。3.3.3.1 边界提取。边界轮廓提取是形状特征提取的基础边缘检测算子例如 Sobel 和 Canny用于准确勾勒织物缺陷区域和正常区域之间的边界。Jiang 等人 (2020) 提出了一种结合 Sobel 算子和块统计 (SOPS) 的方法。首先使用均值滤波器对图像进行去噪然后使用Sobel算子得到粗略的二值图像。接着将图像分割成多个块并根据固定阈值判断每个块是否包含缺陷最后通过重建新图像来抑制噪声。Peng等人2018提出了一种快速缺陷检测方案该方案结合了斑点特征点检测、Canny算子和旋转截图的灰度积分投影方法。通过在织机上安装摄像头拍摄图像使用斑点算法检测斑点使用Canny算子检测孔洞轮廓并使用旋转截图灰度积分投影方法检测线状缺陷。这些方法为检测不同类型的织物缺陷提供了一种有效的手段。3.3.3.2. 形状描述符。常用的形状描述符包括面积、周长、圆度和矩形度。面积反映缺陷覆盖范围周长衡量边界范围面积和周长结合起来可以推断形状的规则性。圆度表征缺陷与圆形的相似程度而矩形度则关注缺陷与矩形的拟合程度。这些指标在区分不同类型的缺陷方面起着重要作用。3.3.3.3 霍夫变换。霍夫变换基于参数空间变换的原理将几何形状从图像空间转换到参数空间进行检测。Huang等人2023研究了一种基于机器视觉的非织造布口罩缺陷检测方法该方法结合了区域处理和边缘提取以及霍夫变换实现了缺陷特征的分割、分类和识别。3.3.4 特征选择技术当从织物图像中提取大量原始特征例如纹理、颜色和形状时并非所有特征对于缺陷检测都同等重要。特征选择方法在识别关键特征和去除冗余或噪声数据方面起着至关重要的作用。常用的特征选择方法包括主成分分析 (PCA)、遗传算法 (GA) 和线性判别分析 (LDA)。表 5 总结了这些方法。在织物图像处理中PCA 可以有效地整合纹理、颜色和其他相关特征从而降低数据维度。Lucia Bissi 等人 (2013) 将 Gabor 滤波器与 PCA 相结合以降低特征维度减少噪声对缺陷检测的影响并将误报率控制在 5% 以下。遗传算法模拟了生物进化过程中的遗传、变异和选择机制。对于织物缺陷检测遗传算法将特征视为染色体上的基因并通过不断迭代和进化种群来寻找最优特征组合。Jing 等人 (2014) 设计了一种基于 GA 的最优 Gabor 滤波器结构适用于图案织物的缺陷检测。Zhang等人2011将遗传算法GA与Elman神经网络相结合以优化图像处理过程并提高分类性能。线性判别分析LDA利用类别标签信息在最大化类间差异和最小化类内差异的基础上构建最优投影方向从而提高缺陷织物与正常织物之间的可分离性适用于构建高效的监督特征筛选机制。这些方法在特征压缩和模式识别方面表现良好常被用作传统检测模型的预处理和增强模块。3.4 分类与检测在纺织品缺陷检测过程中分类和检测阶段起着至关重要的作用。本文重点关注两个关键方面传统机器学习算法和深度学习算法。本文旨在系统地分析这些阶段所采用的核心技术和方法并研究各种算法的独特特征和优势。3.4.1 传统机器学习算法广泛采用的传统机器学习技术包括支持向量机 (SVM) (Vapnik, 1964)、决策树 (DT) (Song Ying, 2015)、朴素贝叶斯分类器 (NBC)、K近邻 (KNN) 和随机森林 (RF)。表6列出了这些方法在纺织品缺陷检测中的应用。3.4.1.1 支持向量机。支持向量机 (SVM)通过寻找最优超平面将织物缺陷与正常样本区分开来并使用核函数来提高分类能力。Zhang等人(2017) 提出了一种基于视觉显著性图和支持向量机SVM的缺陷检测方法该方法提取了全局和背景相关值特征对其进行归一化处理并将其输入到 SVM 训练分类器中以实现缺陷检测。Huang 等人 (2022) 使用灰度共生矩阵提取无纺布缺陷的纹理特征并结合 SVM 分类器定位异常区域实验验证了其高精度和实时性。SVM 适用于小样本分类具有较强的泛化能力但计算复杂度较高核函数的选择和参数调整也较为复杂如果选择不当可能会影响分类性能。3.4.1.2. 决策树。决策树通过树状结构进行分类节点代表特征测试分支对应测试结果叶节点代表最终类别。Kazoom 等人(2022) 使用基于决策树的多分类支持向量机来解决袜子编织检测问题从而实现图像分类。实验结果表明该系统中两级分类器的分类准确率分别达到 100% 和 98%系统的最佳检测时间为 0.348 秒。Hanmandlu 等人 (2016) 提出了一种基于模糊决策树 (FDT) 的方法该方法使用局部二值模式 (LBP)、局部方向模式 (LDP)、尺度不变特征变换 (SIFT) 和加速鲁棒特征 (SURF) 进行分类其中 LDP 的性能最佳。决策树计算简单可以处理离散和连续数据但容易过拟合需要进行剪枝和优化以提高泛化能力。3.4.1.3. 朴素贝叶斯分类器。朴素贝叶斯分类器基于贝叶斯定理和特征条件独立性假设。它计算给定特征下某一类别的概率并选择概率最高的类别作为预测结果。Lin等人2018提出了贝叶斯小样本学习BSSL算法该算法使用少量缺陷和非缺陷样本来学习参考值并计算后验概率以确定缺陷。该方法计算简单、训练速度快适用于大规模数据。然而特征独立性假设在实践中可能不成立特征之间的相关性可能会影响分类精度并且它高度依赖于样本数据。3.4.1.4. K近邻算法。K近邻算法KNN通过测量样本之间的距离根据K个邻居的类别来确定待分类样本。在织物缺陷检测中KNN算法无需复杂的训练直接基于样本分类因此适用于分布复杂的数据。Kanwal等人2023提出了一种基于显著性图和词袋模型的方法。该方法首先提取显著性图然后使用K均值聚类构建词袋模型。KNN分类器利用视觉向量进行训练以区分缺陷区域。3.4.1.5. 随机森林。随机森林是一种集成学习技术它整合了多个决策树。在织物缺陷检测中它通过多数投票或平均的方式组合各个决策树的预测结果从而确定最终分类。这种方法显著降低了单个决策树固有的过拟合风险提高了分类的准确性和鲁棒性。Barman 等人 (2022) 开发的系统利用 Haar 小波变换来最小化织物图像中的信息冗余。在对织物图像进行亮度补偿和相机亮度校正后采用高斯滤波器来平滑图像纹理。随后应用随机森林分类器进行织物缺陷分类。对于复杂的织物缺陷数据各个决策树可以捕获不同的特征模式和分类规则从而共同提高模型的分类性能。3.4.2.深度学习算法近年来深度学习已成为织物缺陷检测的核心技术。凭借其自动特征学习能力它可以深入挖掘织物图像的纹理、颜色和形状特征。与传统方法相比深度学习具有显著优势。主要网络架构包括卷积神经网络 (CNN)、循环神经网络 (RNN)、生成对抗网络 (GAN) 和自编码器。3.4.2.1. 卷积神经网络 (CNN)。20 世纪 80 年代Yann LeCun 等人首次提出了卷积神经网络 (CNN) (LeCun et al., 1989)。CNN 是一种专门用于处理图像数据的前馈神经网络。通过使用卷积层和池化层等结构它们可以自动从图像中提取信息从而在语义分割、目标识别和图像分类等任务中实现高效的性能。YOLOYou Only Look Once系列算法、SSDSingle Shot MultiBox Detector和Fast R-CNN是深度学习领域中著名的目标检测算法它们都采用了卷积神经网络CNN的变体网络架构。目标检测不仅包括识别图像中的目标类别还包括精确定位这些目标。因此这些算法都对其基于CNN的架构进行了特定的修改和优化以有效地满足目标检测任务的需求。1. YOLOYou Only Look Once系列算法YOLO算法由Joseph Redmon及其团队Redmon2016于2016年提出。YOLO的关键创新在于其将目标检测建模为回归问题从而能够在一次前向传播中同时实现目标分类和定位。这种端到端的架构赋予YOLO卓越的实时性能和计算效率使其非常适合实时监控和快速检测等应用。表7总结了使用YOLO系列算法进行织物缺陷检测的结果。为了降低人工提取色染织物缺陷图像特征的劳动成本Zhang等人2018提出了一种基于YOLOv2的自动定位和分类方法。在该研究中使用了YOLO9000、YOLO-VOC和Tiny YOLO算法。检测织物缺陷最终选择 YOLO-VOC 进行优化提高了检测精度。然而由于 YOLOv2 在检测小目标方面的局限性该方法在处理小缺陷时仍有改进空间。考虑到计算资源有限的环境Liu 等人(2019) 提出了 YOLO-LFD一种轻量级神经网络架构。该方法使用 3×3 和 1×1 卷积层来融合降维和维护特性并使用 K-means 聚类来优化锚框的大小从而提高了模型对不同尺寸缺陷的检测能力同时降低了计算开销使其更适合工业应用。在提高检测精度方面Jing 等人2020改进了织物缺陷检测模型基于YOLOv3结合织物缺陷尺寸和K均值算法优化先验框架并引入多层特征融合策略使其适用于不同类型织物如灰色布料和格子布的缺陷检测。性能得到提升。该优化提高了模型检测小目标的能力同时保持了较高的检测速度随着YOLO的不断迭代检测精度和速度持续提升。YOLOv3在性能和速度之间取得了平衡YOLOv4和YOLOv5进一步优化了检测精度和轻量级设计使其更适合计算资源有限的环境YOLOv8引入了CSP模块并结合了Mixup和Cutmix等数据增强方法以提高泛化能力并在小目标检测方面表现更佳目前已有大量研究致力于改进基于YOLOv5和YOLOv8的织物缺陷检测方法以实现更高的检测精度。随着YOLOv12的发布其在织物缺陷检测中的应用仍有待探索。未来YOLOv12可与Transformer架构和注意力机制等先进技术相结合进一步优化特征提取能力提高小目标检测精度并增强模型在工业环境中的适应性。2. 单次多框检测器SSD单次多框检测器算法由Liu等人2016于2016年提出是一种高效的目标检测算法。其核心思想是在多尺度特征图上进行检测以识别不同尺寸的目标。SSD在处理大尺度变化的目标时尤其是在目标精度方面性能优于YOLO。然而原始的SSD在小目标检测方面仍然存在一些不足。为了提高小目标的检测能力Liu等人2018改进了SSD模型并添加了第三个特征层以更准确地检测小尺寸的织物缺陷。随后Zhao和Zhang2022提出了SE-SSD网络将SE挤压激励模块嵌入到SSD网络中并通过增强高信息特征通道的权重使模型更加关注重要特征从而提高缺陷检测的准确性。此外Liu等人2024提出了轻量级SSDLW-SSD以解决计算复杂度高以及难以在计算能力有限的硬件上部署的问题。通过减少模型参数数量58%和提高检测速度最高可达48帧/秒检测精度得到了提升在自建数据集上提升了10.03%。一般来说SSD算法通过多尺度特征图检测织物缺陷在复杂背景下仍能保持较高的检测精度且计算速度快。特别是LW-SSD等改进版本使其更适用于实时监控系统并能在硬件资源有限的生产环境中高效运行。3. 基于R-CNN系列算法R-CNN系列算法是图像目标检测领域的一项重要突破。R-CNN算法由Girshick等人2014于2013年首次提出它将候选区域与卷积神经网络CNN相结合已成为目标检测的开创性方法。工业级图像中的缺陷检测。Fast R-CNN 算法由 Girshick 于 2015 年提出。针对 R-CNN 在处理速度和计算效率方面的瓶颈它通过选择性搜索生成候选区域并从中提取 CNN 特征从而显著提高了训练和检测速度 (Girshick, 2015)。然而Fast R-CNN 仍然无法满足实时检测的需求因此Ren 等人 (2017) 提出了 Faster R-CNN 模型该模型通过引入区域提议网络 (RPN) 生成候选区域进一步提高了检测效率。表 8 总结了基于 R-CNN 的织物缺陷检测算法。对于织物缺陷检测Fast R-CNN 用于定位和细化大规模织物图像中的潜在缺陷区域。为了处理复杂纹理图像中的缺陷Liu等人2018提出了一种端到端的基于卷积神经网络的缺陷检测方法该方法利用随机投影网络RPN提取候选区域并使用Fast R-CNN对其进行分类。Zhou等人2020提出了FabricNet一种基于Faster R-CNN的织物缺陷检测网络它结合了ResNet101骨干网络和可变形卷积块以增强模型对不同形状和尺寸缺陷的适应性。同时特征金字塔网络FPN用于提高织物背景和缺陷之间的区分能力。为了在保持低计算成本的同时提高检测精度Wu等人提出了一种基于特征金字塔网络的缺陷检测方法。 (2021) 提出了一种用于 Faster R-CNN 的宽而轻量级网络结构 (WALNet)它通过扩展卷积来增强特征提取网络并适应不同尺寸的缺陷。实验表明WALNet 在多个数据集上实现了超过 97% 的检测精度并显著减小了模型尺寸。为了进一步提高缺陷定位精度He 等人 (2017) 提出了 Mask R-CNN针对织物线性缺陷的挑战Li 等人 (2022) 改进了 Mask R-CNN使用图像切割和可变形卷积网络来精确定位织物缺陷。总之基于 R-CNN 的织物缺陷检测方法通过区域提议和深度卷积神经网络提取丰富的特征并具有较高的检测精度。然而这些方法通常会消耗大量的计算资源并且在检测小目标缺陷方面面临一定的挑战。3.4.2.2. 循环神经网络。循环神经网络 (RNN) 及其变体能够捕捉时间依赖性使其成为处理序列或时间序列数据的理想选择 (Sherstinsky, 2020)。这些网络利用其序列数据处理能力在织物图像序列中查找缺陷信息从而实现织物缺陷识别。它们尤其擅长检测周期性缺陷或跟踪连续生产过程中出现的缺陷发展趋势。最早开发的门控 RNN 算法之一是长短期记忆 (LSTM) 网络 (Hochreiter 和 Schmidhuber, 1997)。LSTM 通过实现输入门、遗忘门和输出门来控制信息流从而解决了常规 RNN 存在的梯度消失问题。这使得它们适用于具有长期依赖性的序列数据。 LSTM 的架构使其能够有效地捕捉织物图像序列中的长期依赖关系从而提高缺陷检测的准确性。Kumar 和 Bai (2023) 利用 LSTM 架构通过数字图像推断织物细节包括识别复杂图案中的缺陷。他们提出了一种纹理分类方法该方法无需特征提取和预处理而是利用 LSTM 的隐藏层操作将图像分解为多个区域和像素从而实现缺陷检测。该方法显著减少了计算时间并通过多尺度曲波图像分解和子带分解技术实现了织物图案和缺陷识别。此外还有一些循环神经网络的变体例如门控循环单元网络 (GRU) (Cho 等人2014)但尚未被研究人员用于织物缺陷检测。3.4.2.3. 生成对抗网络。2014 年Ian Goodfellow 等人提出了一种基于生成对抗网络的神经网络。 Goodfellow 等人 (2014) 提出了生成对抗网络 (GAN) 来解决织物样本不平衡的问题。GAN 的基本概念是通过判别器和生成器之间的对抗过程来生成高质量的样本。判别器负责区分这些人工样本和真实样本而生成器则负责创建逼真的合成样本。在训练过程中这两个组件相互竞争逐步提高各自的性能。表 9 总结了基于 GAN 的算法。图 3. 多阶段 GAN 的示意图。阶段 1根据给定的纹理生成缺陷阶段 2将生成的缺陷融合到无缺陷样本中Liu 等人2019。Liu等人2019提出了一种基于生成对抗网络GAN的织物缺陷检测框架。该框架能够自动适应不同应用阶段的各种织物纹理并从现有的织物缺陷样本中学习从而解决实际应用中遇到的难题。为了在新型纺织品上生成逼真的缺陷区域首先训练一个纹理条件GAN以研究缺陷在不同纹理背景下的条件分布。然后利用基于GAN的融合网络将生成的缺陷整合到特定区域。最后训练一个多阶段GAN以持续更新现有的织物缺陷数据集从而增强在不同条件下的缺陷检测能力。图3展示了多阶段GAN的示意图。Zhang等人Wei等人(2023)提出了一种基于注意力机制的生成对抗网络(AFF-GAN)该网络利用特征金字塔网络和注意力机制来增强特征表示能力从而检测染色纱线织物的表面缺陷。Wei等人(2023)提出了一种基于深度卷积生成对抗网络(DCGAN)架构的多阶段缺陷检测方法该方法包括图像生成、编码器训练以及判别和分类三个步骤。织物图像的“正常分布”以无监督的方式学习并在测试阶段重建误差或错误。异常检测以似然图的形式实现这进一步降低了对标注数据的依赖性。与传统的图像分析方法相比GAN在织物缺陷检测方面的主要优势体现在以下几个方面。首先GAN 具有强大的图像生成能力能够有效扩展缺陷样本空间使训练集更具代表性并适应各种织物结构和缺陷形态。其次GAN 的对抗训练机制能够驱动生成器学习更接近真实织物图像的分布尤其适用于处理具有重复纹理、颜色干扰和几何变形等复杂特征的工业织物图像。此外GAN 可以与其他深度网络结构例如注意力机制、U-Net、VAE 等相结合进一步提高缺陷识别的鲁棒性和泛化能力。然而尽管 GAN 在织物缺陷检测领域展现出良好的前景但其应用仍面临一些挑战。例如难以控制生成样本的质量和稳定性训练过程容易陷入模式崩溃以及计算资源消耗高。因此在实际应用中应根据具体的织物场景、缺陷类型和任务目标对模型结构进行调整和优化。例如在大规模生产环境中轻量级网络可以与增量式训练策略相结合以提高系统响应速度和部署效率而在丝绸、锦缎等高价值织物以及其他缺陷容忍度低的场景中应优先考虑高保真图像生成能力和微缺陷检测率之间的平衡。总之GAN模型为织物缺陷检测提供了一种有效的数据驱动手段尤其适用于数据不足、样本不平衡和缺陷模式多样的复杂工业环境。未来通过结合多模态特征融合、半监督机制和小样本学习策略有望在工业智能检测领域继续发挥关键作用。3.4.2.4. 自编码器。自编码器是一种神经网络结构由编码器和解码器组成。它最初由Le Cun和Fogelman-Soulié (1987)提出并广泛应用于无监督学习和特征提取。自编码器通过压缩和解压缩数据来提取关键特征并在织物缺陷检测方面取得了良好的效果。表10总结了用于织物缺陷检测的基于编码器的算法。Bergmann等人(2019)提出了一种基于结构相似性的感知损失函数提高了传统卷积自编码器在复杂场景下的性能。Han和Yu (2020)提出了一种基于堆叠卷积去噪自编码器(SCDAE)的缺陷检测系统该系统使用15层编码器和解码器进行特征处理。 Oz等人2021提出了一种基于嵌套自编码器的自动化缺陷检测方法。第一个自编码器主要用于特征提取和图像重建而第二个自编码器用于识别和修复特征码中的缺陷。缺陷检测是通过比较第一个和第二个自编码器解码的特征码的输出差异并进行阈值处理来实现的。总的来说由于其强大的特征学习和重建能力该自编码器结构在织物缺陷检测方面展现出良好的实用性和可扩展性。它不仅可以识别无标签数据场景下的缺陷还可以自动学习不同类型织物纹理结构的内部模式并适应各种材料例如印花棉布、色织布、平纹布和提花布。在缺陷稀疏、形态不规则或标注困难的工业场景中自编码器模型通常优于传统的阈值分割或手动特征提取方法。然而该方法仍然存在一些问题例如对边缘区域或重复模式的错误检测以及训练稳定性有限。未来的研究可以通过结合变分自编码器VAE、对抗训练机制或时空特征融合等方法来进一步提高模型的泛化性能和检测精度。总体而言作为一种无监督智能检测框架自编码器在织物图像分析领域展现出较高的研究价值和应用前景值得在实际工业检测系统中持续推广和优化。3.4.2.5. Transformer。Transformer模型最初由Vaswani等人提出。 2017年Vaswani等人提出了Transformer模型来解决自然语言处理中的长距离依赖问题。其核心机制是自注意力机制该机制无需依赖循环结构即可捕捉序列中任意位置之间的关系从而显著提高了模型处理长序列数据的效率和准确性。表11总结了用于织物缺陷检测的基于Transformer的方法。近年来越来越多的研究将Transformer结构引入织物缺陷检测任务以提高模型对复杂背景和细粒度缺陷的感知能力。Qu等人2023提出的U-SMR网络结合了ResNet-50和Swin Transformer模块。通过轻量级的多尺度特征提取模块和递归残差解码结构它实现了上下文信息和缺陷边缘的精确融合并在ZJU-Leaper和HKU-Fabric数据集上均取得了优异的性能。类似地U€zen等人2022设计了Swin-MFINEt模型在编码器中引入了Inception网络在解码器中集成了Swin Transformer并结合了多特征融合模块以提高像素级缺陷识别的精度。在MVTec数据集上该模型取得了优于现有方法的mIoU性能。在无监督检测方面Tang等人2024提出的PMRM模型基于Transformer架构进行背景修复。借助结构相似性约束和渐进式掩码修复策略该模型有效减少了伪缺陷检测并提高了缺陷样本稀少场景下的泛化能力。Xu等人2023提出的改进型Swin-Unet模型集成了Gabor滤波器增强了抑制复杂纹理干扰的能力。结合非对称U-Net架构和多阶段融合策略该模型显著提高了对小尺度和弱边缘缺陷的检测精度。此外Tao等人2023设计的ViTALnet通过将视觉变换器与金字塔结构的异常估计模块相结合提高了多个工业表面数据集的异常定位能力。Yao等人2024提出将超分辨率重建相结合。4. 数据集合适的数据集是支持研究和实际应用的基础。为了确保相关工作得到全面有效的开展本文汇编了一系列具有代表性的数据集详细信息见表11。这些数据集涵盖了各种来源和类型囊括了实际生产过程中可能出现的各种织物缺陷包括常见的经纬线缺陷以及更复杂的瑕疵例如染色不均、破洞、污渍和其他瑕疵。图像采集条件、分辨率、样本量和其他因素也各不相同。在广泛使用的数据集中TILDA 是一个专门针对机织物的数据集常用于在受控光照条件下对基于卷积神经网络CNN的检测器进行基准测试。其适中的规模和相对均衡的类别分布使其适用于算法开发的早期阶段尽管它缺乏真实工业环境中常见的背景复杂性。尽管Kylberg Texture数据集并非专门针对特定织物但它具有很高的类内变异性这有助于基于纹理的特征学习。它通常用于预训练然后再使用更专业的纺织品数据集进行微调。Fabric Stain是一个高分辨率数据集专门用于检测污渍缺陷。由于其样本量有限且为二元分类因此在泛化方面面临挑战通常需要使用数据增强或合成数据生成来提高模型的鲁棒性。DAGM 2007是表面缺陷检测的经典基准数据集。虽然它并非专门针对纺织品但由于其提供了像素级的真实值因此对于验证面向分割的架构和专注于细粒度空间定位的模型尤为有用。阿里云天池织物数据集是一个工业级数据集具有高分辨率和多样化的缺陷类别。它能够进行稳健的模型训练使其在不同的光照条件和缺陷模式下都能很好地泛化。然而其庞大的规模和图像复杂性需要大量的计算资源。ZJU-Leaper 提供了涵盖常见和罕见织物缺陷的大量数据。凭借其 19 个标注类别和标准化的分辨率它特别适合评估检测精度和研究缓解类别不平衡的策略。Lusitano 提供极高分辨率的图像和广泛的缺陷分类有助于开展细粒度分类任务的研究以及将超分辨率技术集成到织物缺陷检测模型中。其他数据集KTH-TIPS、Fabrics、DHU FD、HKU Fabric、YDFIA-1/2各有其独特之处——无论是具有挑战性的光照条件KTH-TIPS、真实的生产样品DHU FD还是多传感器采集YDFIA——它们通常用于测试泛化能力或特定的算法创新。通过以互补的方式利用这些数据集——例如将基于通用或合成数据集的预训练与基于真实世界织物数据的微调相结合——研究人员可以开发出兼顾准确性、泛化能力和效率的模型。这也凸显了在推进实际工业应用中的缺陷检测系统时迁移学习和领域自适应的日益增长的需求表 12。5. 挑战与未来方向5.1. 复杂织物纹理和图案的干扰织物缺陷检测面临着复杂纹理和图案带来的严峻挑战尤其是在提花织物、印花织物和特殊梭织织物中正常纹理和缺陷特征之间的界限往往模糊不清。现有方法存在明显的局限性传统方法依赖于固定的阈值和简单的特征规则缺乏对变化纹理的适应性尽管深度学习方法有所改进但由于纹理的复杂性卷积神经网络可能会过拟合正常图案从而降低对缺陷的灵敏度。为了有效解决复杂纹理环境下的缺陷检测问题未来的研究可以集中在几个关键方向。首先是开发针对性的纹理分析算法通过建立复杂纹理的数学模型或统计特征来准确识别异常偏差第二点是结合纺织领域的先验知识预定义特定织造图案的正常变化范围为算法提供额外的判断依据第三点是将深度学习的语义分割技术应用于织物。图像被划分为不同的语义类别通过高层次的语义理解减少误判和漏检并提高复杂纹理环境下缺陷检测的性能。5.2 微细缺陷检测的挑战微细缺陷检测在纺织品质量控制系统中起着核心作用。尽管这些缺陷尺寸很小但它们会显著影响织物的整体质量和市场价值尤其是在高端纺织品市场。目前的检测技术面临三大挑战首先图像采集阶段受限于分辨率和环境噪声干扰导致缺陷成像模糊其次传统的特征提取方法例如边缘检测和灰度共生矩阵难以有效提取微小缺陷的精细特征第三当深度学习模型处理微小目标时多层卷积和池化会丢失大量特征信息导致检测精度降低。为了应对这些挑战未来的研究可以集中于以下几个方向1开发结合先进光学技术和智能照明方案的超高分辨率成像系统以捕捉更精细的缺陷细节2研究能够根据织物特性动态调整参数的微小缺陷自适应增强算法3探索基于小波变换和方向滤波器的新型特征提取方法以更有效地捕捉微小缺陷的纹理和方向特征4设计专门针对微小目标的轻量级神经网络架构在保留浅层特征的同时降低计算复杂度。5开发基于注意力机制的多尺度特征融合技术以增强模型对不同尺寸缺陷的适应性。这些研究方向有望显著提高微小缺陷检测的准确性和可靠性并为纺织品质量控制提供强有力的技术支持。5.3 实时检测需求与计算资源限制随着纺织行业自动化程度的不断提高织物缺陷检测的实时性已成为质量控制系统的关键要素。高速生产线要求缺陷检测系统能够在极短时间内完成精确的扫描和判断以确保及时发现和处理问题。然而尽管基于深度学习的检测算法在准确性方面展现出显著优势但其复杂的模型结构导致计算复杂度极高。即使采用深度学习算法其计算复杂度仍然很高。即使借助GPU加速面对大规模织物图像数据和高帧率检测需求高速生产线上毫秒级甚至微秒级的实时检测仍然难以满足。为了突破这一瓶颈可以从三个方向进行技术创新首先在算法优化层面通过参数剪枝、量化和知识蒸馏等模型压缩技术可以显著降低模型的计算量和存储需求其次在硬件加速方面可以使用ASIC和FPGA等专用集成电路提供高效的硬件支持。ASIC可以通过定制设计将推理速度提升到微秒级而FPGA凭借其可重构性可以灵活地适应不同的算法需求第三分布式计算技术通过将检测任务分解并分配到多个计算节点进行并行处理可以充分利用集群计算资源并根据检测任务负载动态调整资源分配。通过这些技术的集成应用有望构建一个既能保证准确性又能满足实时性要求的检测系统从而促进纺织行业的智能化升级。5.4 数据集的局限性和数据不平衡的挑战从当前公共数据集的现状来看织物缺陷检测的研究面临着两个关键的数据挑战严重制约了算法的开发和应用。首先高质量的公共数据集十分稀缺且差异显著主要体现在诸多方面例如织物类型不同材料的纹理和物理特性不同、缺陷类型如孔洞、污渍、断线、经纬线歪斜等不同表现形式以及图像采集条件光照强度、角度和设备分辨率不均等。这使得研究人员难以找到统一且权威的标准数据集作为基准极大地阻碍了算法性能评估的准确性和公平性并延缓了研究进展。其次实际生产过程中的数据严重不平衡正常织物样本数量远超其他样本而缺陷样本则极其稀少。这种不平衡导致检测算法在学习过程中过度拟合正常样本的特征模式对罕见缺陷样本的特征关注不足从而大大降低了实际检测任务的性能增加了缺陷产品流入市场的风险威胁产品质量控制。应对这些挑战的策略主要包括建立大规模、标准化的织物缺陷图像数据集共享平台整合行业资源并制定统一的采集标准、标注规范和数据格式为了解决数据不平衡问题采用过采样技术增加缺陷样本的比例采用欠采样技术减少正常样本的数量并采用代价敏感学习方法为不同类型的样本赋予不同的权重以提高缺陷检测的灵敏度。解决这些数据挑战需要学术界和产业界的通力合作这是推动织物缺陷检测技术持续进步的关键所在。6. 结论作为纺织行业质量控制的核心环节织物缺陷检测近年来在传统方法和现代图像处理技术的共同推动下取得了显著进展。本文系统地回顾了织物缺陷检测的技术发展、数据集以及当前面临的主要挑战和局限性旨在为学术界提供全面的研究参考和实践指导。传统的检测方法奠定了基础但其在复杂纹理和微小缺陷检测方面存在局限性。现代技术的进步体现在图像采集系统的优化高分辨率相机设备和均匀照明、图像预处理技术去噪、增强和分割的改进以提高特征提取效果、特征提取方法的多样化纹理、颜色和形状特征以及检测技术从传统机器学习向深度学习的演进。然而织物缺陷检测仍然面临诸多挑战。复杂织物纹理和图案的干扰微小缺陷的检测难题以及实时检测等问题。
纺织制造中织物缺陷检测综述
发布时间：2026/7/7 4:32:33
摘要随着纺织业向智能制造转型织物缺陷检测已成为确保产品质量、提高生产效率和降低成本的关键要素。计算机视觉和机器学习技术特别是深度学习已成为现代纺织品缺陷检测的必备工具。本文回顾了该领域的研究进展探讨了织物表面缺陷检测的技术发展及其未来方向。文章首先讨论了织物缺陷检测的各个阶段并将其分为四个步骤图像采集、图像预处理、特征提取与选择以及分类与检测。文章还探讨了图像处理技术在每个阶段的应用并通过全面的比较详细分析了每种方法的优势和局限性。此外本文整理了现有的织物缺陷数据集并讨论了数据集在模型训练中的重要性和挑战。最后文章讨论了织物缺陷检测面临的主要挑战并展望了未来的潜在研究方向。本文旨在指导纺织行业选择和应用机器视觉技术并支持智能织物检测系统的发展。1. 引言在全球经济中纺织业作为关键制造业之一发挥着举足轻重的作用Luo et al., 2023。在国际市场需求不断增长和消费者对产品质量期望日益提高的推动下纺织品生产中的有效质量控制变得至关重要Kahraman Durmu¸soglu, 2023。具体而言面料质量显著影响最终产品的性能、美观性和竞争力。面料缺陷例如色差、断纱和面料不均匀不仅会降低成品的视觉吸引力和功能性还会影响舒适性和耐用性等重要属性。因此及时发现和纠正面料缺陷已成为确保产品质量和生产效率的关键策略Kumar, 2008。面料缺陷检测已成为纺织品质量控制的关键环节并引起了广泛的关注和研究Kahraman Durmu¸soglu, 2023。尽管传统的人工目视检测方法多年来被广泛应用但由于纺织品生产规模的扩大和效率要求的提高这些方法越来越难以满足现代生产线的需求。为了满足行业需求自动化缺陷检测技术应运而生Hanbay et al., 2016。这些技术已经从早期的图像处理方法发展到如今的深度学习。基于深度学习的方法极大地加速了纺织行业质量控制的自动化和智能化进程。目前尽管已提出并应用了多种基于图像处理和深度学习的织物缺陷检测方法Fang et al., 2025但仍存在一些挑战包括数据标注困难、背景复杂度高、光照变化显著以及实时处理能力不足。虽然深度学习技术在提高检测精度方面展现出卓越的性能但如何应对真实生产环境中的动态条件仍然是一个亟待解决的关键问题。此外尽管轻量级深度学习架构例如 MobileNet、YOLO 变体以及边缘计算的最新进展在动态缺陷检测方面取得了进展但在不同光照条件下保持高精度、应对织物快速移动以及计算资源有限等挑战依然存在Liu et al., 2024; Zhu et al., 2020。因此本综述的主要目标是全面总结和分析织物缺陷检测领域现有的技术方法系统地考察其发展历程并批判性地评估当前方法的优势和劣势。在此基础上本文还预测了技术发展的未来轨迹尤其是在深度学习和图像处理等前沿技术的应用方面并探讨了它们在创新应用中的潜力。通过对现有研究的全面综合本文提供了宝贵的见解。为了纺织行业质量控制和智能制造的未来发展本文为该领域研究人员的进一步探索和技术创新提供了理论基础。本研究的具体贡献如下1. 本文全面总结了织物缺陷检测技术框架涵盖了图像采集、预处理、特征提取与选择、分类与检测等关键阶段。通过对比传统方法与现代图像处理技术揭示了技术演进的轨迹和趋势为研究人员提供了全面的参考。2. 本文详细整理了目前可用的公开织物缺陷数据集并系统地对常用的性能评估指标进行了分类。这为算法性能的公平比较和优化提供了基准指导。3. 本文深入探讨了织物缺陷检测面临的主要挑战包括复杂织物纹理和图案的干扰、微小缺陷的检测难度、计算资源有限下的实时检测要求以及现有数据集的局限性和数据不平衡问题。这些分析突显了亟需研究人员关注的关键问题。4. 在新兴技术趋势的背景下本文提出了未来潜在的研究方向。2. 织物缺陷检测的传统方法人工检测是织物缺陷检测的传统且应用最广泛的方法尤其是在小批量或精密生产过程中人工检测仍然发挥着重要作用Dhivya Renuka Devi2019。随着纺织行业的进步在大规模自动化生产线上人工检测暴露出几个显著的局限性。1. 速度和效率受限现代纺织生产线的运行速度通常达到每分钟数十米甚至数百米在这种高速环境下人工检测难以实时跟进形成明显的效率瓶颈。虽然可以通过优化调度或引入辅助工具来提高效率但人工检测仍然难以适应连续高速的生产节奏。在一些对质量要求较高的环节生产线可能需要暂时减慢速度进行人工检测这会影响整体效率和成本控制这与纺织行业追求高效率、高产量的趋势背道而驰。2. 主观因素影响检测准确性人工检测的准确性与操作人员的经验和视觉能力密切相关。由于工作习惯和经验的差异可能会出现偏差。不同操作人员对同一织物的检测结果可能存在显著差异。此外长时间连续工作造成的视觉疲劳会进一步降低检测灵敏度使检验员容易忽略细微缺陷从而影响最终产品质量的判断。3. 物理分辨率限制人工检测受限于人眼固有的分辨率约0.1-0.2毫米许多关键的织物缺陷例如微小的纤维断裂0.1毫米、细微杂质或轻微的色差ΔE1往往超出视觉检测的范围。这种物理限制在对精度要求高的织物中尤为明显例如医用纺织品或航空航天特种织物这些织物上的微小缺陷会直接影响产品性能凸显了人工检测方法的根本局限性。4. 缺乏标准化和一致性人工检测缺乏标准化的评估体系导致难以量化和追踪检测结果。不同的检验员对织物缺陷的严重程度有不同的判断标准而且测试环境中的关键参数难以精确控制这些因素共同导致质量控制过程难以系统地优化无法满足现代工业对质量管理的精度要求。3. 现代图像处理技术在织物缺陷检测中的应用在现代织物缺陷检测领域整个检测过程可分为四个主要模块图像采集模块、图像预处理模块、特征提取与选择模块以及分类与检测模块。第三章的结构如下第一部分详细介绍图像采集模块第二部分重点介绍图像预处理模块第三部分着重描述特征提取与选择最后一部分总结了相关的分类与检测算法。图1展示了第三章的整体结构。图 1. 现代图像处理技术在织物缺陷检测中的应用。3.1 图像采集系统3.1.1 成像设备在织物缺陷检测中常用的图像采集设备包括工业相机、数码单反相机DSLR和智能手机相机。选择合适的成像设备取决于检测需求、预算和所需的检测精度等因素。表1对三种图像采集设备进行了比较分析。在实际工程应用中需要重点关注分辨率、帧速率匹配、光谱覆盖范围和硬件接口兼容性以实现检测性能和成本效益之间的最佳平衡。表 1. 图像采集设备比较3.1.2 照明系统在织物缺陷检测中照明系统的设计对图像质量和缺陷识别至关重要。常用方法包括前照、后照和多角度照明各有其适用范围。前照提供均匀照明适用于普通织物的基本检测但对细小或纹理较浅的缺陷响应较弱。后照通过透明度突出结构细节适用于半透明材料但可能导致过曝或光晕。多角度照明通过多个光源增强表面特征的可见性适用于复杂纹理或三维缺陷。在实际应用中应根据织物材料、缺陷类型和检测场景优化光源布置和参数以提高成像稳定性和检测灵敏度。3.2 图像预处理图像预处理是纺织品缺陷检测的重要初步步骤旨在去除干扰信息增强有效特征并提高后续的检测性能。在去噪方面常用的方法包括中值滤波适用于椒盐噪声、高斯滤波平滑高斯噪声但可能模糊细节和双边滤波平衡噪声抑制和边缘保持。近年来基于深度学习的去噪自编码器在复杂噪声环境下展现出优越性。通过灰度变换、直方图均衡化和伽马校正进行图像增强可以提高图像对比度和清晰度但需要避免过度增强导致信息失真。图像缩放和ROI裁剪可以提高计算效率并适应不同的算法输入但需要平衡插值误差和信息完整性。形态学操作例如腐蚀、膨胀、开运算和闭运算可用于去除孤立噪声并进行结构修复其效果取决于结构元素的设计。图像分割作为核心步骤通常通过阈值分割、区域生长和K均值聚类等方法将前景与背景分离。不同的方法在均匀光照条件和对初始条件的敏感性方面表现各异。实践表明多阶段、可调节的预处理工作流程能够更好地适应不同的材料和缺陷类型从而平衡检测精度和计算效率。3.3 特征提取与选择在织物缺陷检测中通过提取和选择相关特征可以有效地从图像中识别和分类织物缺陷。特征提取通常分为三种类型纹理特征、颜色特征和形状特征每种特征都发挥着不同的作用。图2给出了特征提取部分的整体结构图。图 2. 特征提取阶段的方法概述。3.3.1 纹理特征提取织物表面缺陷通常表现为纹理的细微变化。纹理特征可以有效地描述织物的表面结构和局部特征有助于识别和分类各种缺陷。纹理特征提取方法通常分为四类基于统计的方法、基于信号处理的方法、基于模型的方法和基于结构的方法Hanbay et al., 2016。表2总结了用于织物缺陷检测的纹理特征提取方法。3.3.1.1 基于统计的方法。直方图统计Dean Illowsky, 2009通过计算每个灰度级的频率分布形成灰度直方图提取图像的亮度和对比度特征。Li et al. (2019) 引入了显著性图模型来提取显著性直方图该模型能够有效地区分缺陷区域和正常区域。Selver 等人 (2014) 将和差直方图与共生矩阵相结合以提高检测精度。然而该方法对噪声敏感且缺乏描述空间纹理结构的能力。灰度共生矩阵 (GLCM) (Sebastian 等人2012) 是一种经典的纹理分析方法它通过统计分析特定方向和距离上像素对灰度组合的频率来提取织物图像的纹理特征。Zhu 等人 (2015) 将自相关函数与 GLCM 相结合实现了机织物缺陷的检测而 Hamdi 等人 (2016) 则利用图案周期分割并比较 GLCM 差异实现了图案织物的自动检测。灰度共生矩阵GLCM可以提取多方向纹理特征但计算量较大且对噪声敏感这可能会影响检测精度。局部二值模式LBPPietik€ainen2010通过比较像素与其相邻像素的灰度值生成二值码从而提取局部纹理信息。Liu等人2017融合LBP对比度生成显著性图以定位缺陷并提出了一种基于主LBP的稀疏重建方法来增强检测效果。LBP对光照变化具有很强的鲁棒性适用于检测织物缺陷例如色差和裂纹。自相关函数ACF用于描述图像纹理的重复性和周期性适用于检测具有条纹或不均匀纹理的缺陷。3.3.1.2. 基于信号处理的方法。傅里叶变换将图像从时域转换到频域以提取其周期性和频率特征。低频部分代表整体结构高频部分反映细节和边缘信息。Hu等人2015提出了一种无监督检测方法通过频谱掩蔽和小波去噪从非参考图像中提取缺陷。Hanbay等人2017利用傅里叶频谱特征进行针织缺陷的在线检测。虽然傅里叶变换适用于规则纹理但在处理复杂背景时效果有限。Gabor滤波通过特定频率和方向的滤波器提取图像纹理特征。Tong等人2016使用优化的Gabor模型提高了实时检测性能Li等人2019通过椭圆Gabor滤波器和智能算法优化参数提高了检测精度。该方法在处理定向缺陷方面表现良好但计算开销较大。小波变换是一种多尺度分析方法可以提取图像在空间和频率上的纹理和边缘特征。Li等人2015结合小波分解和高斯混合模型GMM完成了缺陷区域的分割并提出了一种高频系数阈值方法来提高断纱缺陷的检测灵敏度。总体而言这些频域方法增强了对织物局部结构变化的灵敏度并在早期研究中发挥了重要作用。它们通常与空间特征或机器学习方法相结合以提高鲁棒性和泛化能力。3.3.1.3. 基于模型的方法。马尔可夫随机场 (MRF) 模型Ozdemir Ercil1996通过建立像素间的条件概率分布来提取局部特征并能有效识别织物表面的细微或不规则缺陷。Bui 和 Apley (2018) 将图像窗口分割并提取参数利用高斯随机场 (GMRF) 模型进行分类以提高检测的自动化程度。Chang 等人 (2022) 提出了双层马尔可夫随机场 (BMRF) 模型以减少图案织物的误检。MRF 可以对复杂纹理进行建模但在高维计算中效率有限。自回归模型 (AR)Alata 和 Ramananjarasoa2005通过对像素间的线性关系进行建模来提取图像纹理特征。 Vaddin 和 Subbaraman (2014) 将自回归 (AR) 模型与光谱分析相结合用于检测织物周期性。AR 模型对局部结构敏感但在处理长程依赖性和复杂纹理方面存在局限性。高斯混合模型 (GMM) 是一种基于概率模型的特征提取方法它通过将像素分布建模为多个高斯分布的混合来描述图像的整体特征。Zhang 等人 (2010) 使用变分自编码器 (VAE) 提取特征并使用 GMM 估计密度以提高半监督检测效果。总的来说这类概率模型为复杂纹理缺陷检测提供了一个灵活的建模框架适合与深度学习和其他方法相结合以提高鲁棒性。3.3.1.4. 基于结构的方法。基于结构的方法主要通过从图像中提取局部和全局形状特征来表征织物表面的纹理图案。这些方法侧重于分析图像中的结构属性因此能够有效地检测较大或规则形状的缺陷。3.3.2 颜色特征提取由于纺织行业对产品质量的要求越来越高颜色特征提取在织物缺陷检测中尤为重要例如染色不均和色斑等缺陷。表3总结了用于织物缺陷检测的颜色特征提取方法。3.3.2.1 颜色直方图。作为一种基础且直观的颜色特征提取方法颜色直方图可以快速捕捉颜色分布的整体趋势。无论是纯色织物还是具有多种颜色的复杂纹理织物它都可以通过直方图的峰谷变化初步揭示可能的缺陷例如染色不均和色斑。Zhao等人2023提出了一种基于空间域显著性和特征聚类的无监督学习方法。他们采用多级空间域显著性方法MSDS将颜色直方图与像素值进行卷积生成显著性值有效抑制背景信息并识别潜在缺陷区域。3.3.2.2. 颜色矩。颜色矩从统计学的角度提取织物颜色特征。一阶矩均值反映平均颜色适用于整体颜色偏差检测二阶矩方差衡量颜色分散程度可识别染色不均三阶矩偏度描述颜色分布的对称性有助于检测工艺问题引起的颜色异常。目前几乎没有关于利用颜色矩提取织物特征的研究。3.3.2.3. 色彩空间变换。色彩空间变换为织物缺陷检测提供了一种新的特征提取方法有助于更准确地检测与颜色相关的缺陷例如染色不均和污渍。Zhang等人2018提出了一种基于视觉显著性测量的方法该方法首先将RGB空间转换为CIE Lab空间然后结合色差和位置距离计算缺陷值。Zhang等人2024开发了一种颜色转换网络CCN通过对比度损失学习优化RGB颜色投影以提高检测性能。Jing等人2016提出了一种基于CIE Lab空间的检测算法该算法首先进行非线性变换以获得L*、a和b特征然后结合二维Gabor滤波器和滑动阈值分割实现了95.83%的检测精度。此外YUV 和 HSL 等颜色空间也用于不同的检测任务其选择取决于织物特性和目标缺陷类型。3.3.3 形状特征提取对于具有明显形状特征的缺陷例如孔洞和污渍形状特征提取有助于准确识别其类型和位置。常用方法包括边界轮廓提取、几何描述符、傅里叶描述符和霍夫变换。表 4 总结了基于形状的织物缺陷检测特征提取方法。3.3.3.1 边界提取。边界轮廓提取是形状特征提取的基础边缘检测算子例如 Sobel 和 Canny用于准确勾勒织物缺陷区域和正常区域之间的边界。Jiang 等人 (2020) 提出了一种结合 Sobel 算子和块统计 (SOPS) 的方法。首先使用均值滤波器对图像进行去噪然后使用Sobel算子得到粗略的二值图像。接着将图像分割成多个块并根据固定阈值判断每个块是否包含缺陷最后通过重建新图像来抑制噪声。Peng等人2018提出了一种快速缺陷检测方案该方案结合了斑点特征点检测、Canny算子和旋转截图的灰度积分投影方法。通过在织机上安装摄像头拍摄图像使用斑点算法检测斑点使用Canny算子检测孔洞轮廓并使用旋转截图灰度积分投影方法检测线状缺陷。这些方法为检测不同类型的织物缺陷提供了一种有效的手段。3.3.3.2. 形状描述符。常用的形状描述符包括面积、周长、圆度和矩形度。面积反映缺陷覆盖范围周长衡量边界范围面积和周长结合起来可以推断形状的规则性。圆度表征缺陷与圆形的相似程度而矩形度则关注缺陷与矩形的拟合程度。这些指标在区分不同类型的缺陷方面起着重要作用。3.3.3.3 霍夫变换。霍夫变换基于参数空间变换的原理将几何形状从图像空间转换到参数空间进行检测。Huang等人2023研究了一种基于机器视觉的非织造布口罩缺陷检测方法该方法结合了区域处理和边缘提取以及霍夫变换实现了缺陷特征的分割、分类和识别。3.3.4 特征选择技术当从织物图像中提取大量原始特征例如纹理、颜色和形状时并非所有特征对于缺陷检测都同等重要。特征选择方法在识别关键特征和去除冗余或噪声数据方面起着至关重要的作用。常用的特征选择方法包括主成分分析 (PCA)、遗传算法 (GA) 和线性判别分析 (LDA)。表 5 总结了这些方法。在织物图像处理中PCA 可以有效地整合纹理、颜色和其他相关特征从而降低数据维度。Lucia Bissi 等人 (2013) 将 Gabor 滤波器与 PCA 相结合以降低特征维度减少噪声对缺陷检测的影响并将误报率控制在 5% 以下。遗传算法模拟了生物进化过程中的遗传、变异和选择机制。对于织物缺陷检测遗传算法将特征视为染色体上的基因并通过不断迭代和进化种群来寻找最优特征组合。Jing 等人 (2014) 设计了一种基于 GA 的最优 Gabor 滤波器结构适用于图案织物的缺陷检测。Zhang等人2011将遗传算法GA与Elman神经网络相结合以优化图像处理过程并提高分类性能。线性判别分析LDA利用类别标签信息在最大化类间差异和最小化类内差异的基础上构建最优投影方向从而提高缺陷织物与正常织物之间的可分离性适用于构建高效的监督特征筛选机制。这些方法在特征压缩和模式识别方面表现良好常被用作传统检测模型的预处理和增强模块。3.4 分类与检测在纺织品缺陷检测过程中分类和检测阶段起着至关重要的作用。本文重点关注两个关键方面传统机器学习算法和深度学习算法。本文旨在系统地分析这些阶段所采用的核心技术和方法并研究各种算法的独特特征和优势。3.4.1 传统机器学习算法广泛采用的传统机器学习技术包括支持向量机 (SVM) (Vapnik, 1964)、决策树 (DT) (Song Ying, 2015)、朴素贝叶斯分类器 (NBC)、K近邻 (KNN) 和随机森林 (RF)。表6列出了这些方法在纺织品缺陷检测中的应用。3.4.1.1 支持向量机。支持向量机 (SVM)通过寻找最优超平面将织物缺陷与正常样本区分开来并使用核函数来提高分类能力。Zhang等人(2017) 提出了一种基于视觉显著性图和支持向量机SVM的缺陷检测方法该方法提取了全局和背景相关值特征对其进行归一化处理并将其输入到 SVM 训练分类器中以实现缺陷检测。Huang 等人 (2022) 使用灰度共生矩阵提取无纺布缺陷的纹理特征并结合 SVM 分类器定位异常区域实验验证了其高精度和实时性。SVM 适用于小样本分类具有较强的泛化能力但计算复杂度较高核函数的选择和参数调整也较为复杂如果选择不当可能会影响分类性能。3.4.1.2. 决策树。决策树通过树状结构进行分类节点代表特征测试分支对应测试结果叶节点代表最终类别。Kazoom 等人(2022) 使用基于决策树的多分类支持向量机来解决袜子编织检测问题从而实现图像分类。实验结果表明该系统中两级分类器的分类准确率分别达到 100% 和 98%系统的最佳检测时间为 0.348 秒。Hanmandlu 等人 (2016) 提出了一种基于模糊决策树 (FDT) 的方法该方法使用局部二值模式 (LBP)、局部方向模式 (LDP)、尺度不变特征变换 (SIFT) 和加速鲁棒特征 (SURF) 进行分类其中 LDP 的性能最佳。决策树计算简单可以处理离散和连续数据但容易过拟合需要进行剪枝和优化以提高泛化能力。3.4.1.3. 朴素贝叶斯分类器。朴素贝叶斯分类器基于贝叶斯定理和特征条件独立性假设。它计算给定特征下某一类别的概率并选择概率最高的类别作为预测结果。Lin等人2018提出了贝叶斯小样本学习BSSL算法该算法使用少量缺陷和非缺陷样本来学习参考值并计算后验概率以确定缺陷。该方法计算简单、训练速度快适用于大规模数据。然而特征独立性假设在实践中可能不成立特征之间的相关性可能会影响分类精度并且它高度依赖于样本数据。3.4.1.4. K近邻算法。K近邻算法KNN通过测量样本之间的距离根据K个邻居的类别来确定待分类样本。在织物缺陷检测中KNN算法无需复杂的训练直接基于样本分类因此适用于分布复杂的数据。Kanwal等人2023提出了一种基于显著性图和词袋模型的方法。该方法首先提取显著性图然后使用K均值聚类构建词袋模型。KNN分类器利用视觉向量进行训练以区分缺陷区域。3.4.1.5. 随机森林。随机森林是一种集成学习技术它整合了多个决策树。在织物缺陷检测中它通过多数投票或平均的方式组合各个决策树的预测结果从而确定最终分类。这种方法显著降低了单个决策树固有的过拟合风险提高了分类的准确性和鲁棒性。Barman 等人 (2022) 开发的系统利用 Haar 小波变换来最小化织物图像中的信息冗余。在对织物图像进行亮度补偿和相机亮度校正后采用高斯滤波器来平滑图像纹理。随后应用随机森林分类器进行织物缺陷分类。对于复杂的织物缺陷数据各个决策树可以捕获不同的特征模式和分类规则从而共同提高模型的分类性能。3.4.2.深度学习算法近年来深度学习已成为织物缺陷检测的核心技术。凭借其自动特征学习能力它可以深入挖掘织物图像的纹理、颜色和形状特征。与传统方法相比深度学习具有显著优势。主要网络架构包括卷积神经网络 (CNN)、循环神经网络 (RNN)、生成对抗网络 (GAN) 和自编码器。3.4.2.1. 卷积神经网络 (CNN)。20 世纪 80 年代Yann LeCun 等人首次提出了卷积神经网络 (CNN) (LeCun et al., 1989)。CNN 是一种专门用于处理图像数据的前馈神经网络。通过使用卷积层和池化层等结构它们可以自动从图像中提取信息从而在语义分割、目标识别和图像分类等任务中实现高效的性能。YOLOYou Only Look Once系列算法、SSDSingle Shot MultiBox Detector和Fast R-CNN是深度学习领域中著名的目标检测算法它们都采用了卷积神经网络CNN的变体网络架构。目标检测不仅包括识别图像中的目标类别还包括精确定位这些目标。因此这些算法都对其基于CNN的架构进行了特定的修改和优化以有效地满足目标检测任务的需求。1. YOLOYou Only Look Once系列算法YOLO算法由Joseph Redmon及其团队Redmon2016于2016年提出。YOLO的关键创新在于其将目标检测建模为回归问题从而能够在一次前向传播中同时实现目标分类和定位。这种端到端的架构赋予YOLO卓越的实时性能和计算效率使其非常适合实时监控和快速检测等应用。表7总结了使用YOLO系列算法进行织物缺陷检测的结果。为了降低人工提取色染织物缺陷图像特征的劳动成本Zhang等人2018提出了一种基于YOLOv2的自动定位和分类方法。在该研究中使用了YOLO9000、YOLO-VOC和Tiny YOLO算法。检测织物缺陷最终选择 YOLO-VOC 进行优化提高了检测精度。然而由于 YOLOv2 在检测小目标方面的局限性该方法在处理小缺陷时仍有改进空间。考虑到计算资源有限的环境Liu 等人(2019) 提出了 YOLO-LFD一种轻量级神经网络架构。该方法使用 3×3 和 1×1 卷积层来融合降维和维护特性并使用 K-means 聚类来优化锚框的大小从而提高了模型对不同尺寸缺陷的检测能力同时降低了计算开销使其更适合工业应用。在提高检测精度方面Jing 等人2020改进了织物缺陷检测模型基于YOLOv3结合织物缺陷尺寸和K均值算法优化先验框架并引入多层特征融合策略使其适用于不同类型织物如灰色布料和格子布的缺陷检测。性能得到提升。该优化提高了模型检测小目标的能力同时保持了较高的检测速度随着YOLO的不断迭代检测精度和速度持续提升。YOLOv3在性能和速度之间取得了平衡YOLOv4和YOLOv5进一步优化了检测精度和轻量级设计使其更适合计算资源有限的环境YOLOv8引入了CSP模块并结合了Mixup和Cutmix等数据增强方法以提高泛化能力并在小目标检测方面表现更佳目前已有大量研究致力于改进基于YOLOv5和YOLOv8的织物缺陷检测方法以实现更高的检测精度。随着YOLOv12的发布其在织物缺陷检测中的应用仍有待探索。未来YOLOv12可与Transformer架构和注意力机制等先进技术相结合进一步优化特征提取能力提高小目标检测精度并增强模型在工业环境中的适应性。2. 单次多框检测器SSD单次多框检测器算法由Liu等人2016于2016年提出是一种高效的目标检测算法。其核心思想是在多尺度特征图上进行检测以识别不同尺寸的目标。SSD在处理大尺度变化的目标时尤其是在目标精度方面性能优于YOLO。然而原始的SSD在小目标检测方面仍然存在一些不足。为了提高小目标的检测能力Liu等人2018改进了SSD模型并添加了第三个特征层以更准确地检测小尺寸的织物缺陷。随后Zhao和Zhang2022提出了SE-SSD网络将SE挤压激励模块嵌入到SSD网络中并通过增强高信息特征通道的权重使模型更加关注重要特征从而提高缺陷检测的准确性。此外Liu等人2024提出了轻量级SSDLW-SSD以解决计算复杂度高以及难以在计算能力有限的硬件上部署的问题。通过减少模型参数数量58%和提高检测速度最高可达48帧/秒检测精度得到了提升在自建数据集上提升了10.03%。一般来说SSD算法通过多尺度特征图检测织物缺陷在复杂背景下仍能保持较高的检测精度且计算速度快。特别是LW-SSD等改进版本使其更适用于实时监控系统并能在硬件资源有限的生产环境中高效运行。3. 基于R-CNN系列算法R-CNN系列算法是图像目标检测领域的一项重要突破。R-CNN算法由Girshick等人2014于2013年首次提出它将候选区域与卷积神经网络CNN相结合已成为目标检测的开创性方法。工业级图像中的缺陷检测。Fast R-CNN 算法由 Girshick 于 2015 年提出。针对 R-CNN 在处理速度和计算效率方面的瓶颈它通过选择性搜索生成候选区域并从中提取 CNN 特征从而显著提高了训练和检测速度 (Girshick, 2015)。然而Fast R-CNN 仍然无法满足实时检测的需求因此Ren 等人 (2017) 提出了 Faster R-CNN 模型该模型通过引入区域提议网络 (RPN) 生成候选区域进一步提高了检测效率。表 8 总结了基于 R-CNN 的织物缺陷检测算法。对于织物缺陷检测Fast R-CNN 用于定位和细化大规模织物图像中的潜在缺陷区域。为了处理复杂纹理图像中的缺陷Liu等人2018提出了一种端到端的基于卷积神经网络的缺陷检测方法该方法利用随机投影网络RPN提取候选区域并使用Fast R-CNN对其进行分类。Zhou等人2020提出了FabricNet一种基于Faster R-CNN的织物缺陷检测网络它结合了ResNet101骨干网络和可变形卷积块以增强模型对不同形状和尺寸缺陷的适应性。同时特征金字塔网络FPN用于提高织物背景和缺陷之间的区分能力。为了在保持低计算成本的同时提高检测精度Wu等人提出了一种基于特征金字塔网络的缺陷检测方法。 (2021) 提出了一种用于 Faster R-CNN 的宽而轻量级网络结构 (WALNet)它通过扩展卷积来增强特征提取网络并适应不同尺寸的缺陷。实验表明WALNet 在多个数据集上实现了超过 97% 的检测精度并显著减小了模型尺寸。为了进一步提高缺陷定位精度He 等人 (2017) 提出了 Mask R-CNN针对织物线性缺陷的挑战Li 等人 (2022) 改进了 Mask R-CNN使用图像切割和可变形卷积网络来精确定位织物缺陷。总之基于 R-CNN 的织物缺陷检测方法通过区域提议和深度卷积神经网络提取丰富的特征并具有较高的检测精度。然而这些方法通常会消耗大量的计算资源并且在检测小目标缺陷方面面临一定的挑战。3.4.2.2. 循环神经网络。循环神经网络 (RNN) 及其变体能够捕捉时间依赖性使其成为处理序列或时间序列数据的理想选择 (Sherstinsky, 2020)。这些网络利用其序列数据处理能力在织物图像序列中查找缺陷信息从而实现织物缺陷识别。它们尤其擅长检测周期性缺陷或跟踪连续生产过程中出现的缺陷发展趋势。最早开发的门控 RNN 算法之一是长短期记忆 (LSTM) 网络 (Hochreiter 和 Schmidhuber, 1997)。LSTM 通过实现输入门、遗忘门和输出门来控制信息流从而解决了常规 RNN 存在的梯度消失问题。这使得它们适用于具有长期依赖性的序列数据。 LSTM 的架构使其能够有效地捕捉织物图像序列中的长期依赖关系从而提高缺陷检测的准确性。Kumar 和 Bai (2023) 利用 LSTM 架构通过数字图像推断织物细节包括识别复杂图案中的缺陷。他们提出了一种纹理分类方法该方法无需特征提取和预处理而是利用 LSTM 的隐藏层操作将图像分解为多个区域和像素从而实现缺陷检测。该方法显著减少了计算时间并通过多尺度曲波图像分解和子带分解技术实现了织物图案和缺陷识别。此外还有一些循环神经网络的变体例如门控循环单元网络 (GRU) (Cho 等人2014)但尚未被研究人员用于织物缺陷检测。3.4.2.3. 生成对抗网络。2014 年Ian Goodfellow 等人提出了一种基于生成对抗网络的神经网络。 Goodfellow 等人 (2014) 提出了生成对抗网络 (GAN) 来解决织物样本不平衡的问题。GAN 的基本概念是通过判别器和生成器之间的对抗过程来生成高质量的样本。判别器负责区分这些人工样本和真实样本而生成器则负责创建逼真的合成样本。在训练过程中这两个组件相互竞争逐步提高各自的性能。表 9 总结了基于 GAN 的算法。图 3. 多阶段 GAN 的示意图。阶段 1根据给定的纹理生成缺陷阶段 2将生成的缺陷融合到无缺陷样本中Liu 等人2019。Liu等人2019提出了一种基于生成对抗网络GAN的织物缺陷检测框架。该框架能够自动适应不同应用阶段的各种织物纹理并从现有的织物缺陷样本中学习从而解决实际应用中遇到的难题。为了在新型纺织品上生成逼真的缺陷区域首先训练一个纹理条件GAN以研究缺陷在不同纹理背景下的条件分布。然后利用基于GAN的融合网络将生成的缺陷整合到特定区域。最后训练一个多阶段GAN以持续更新现有的织物缺陷数据集从而增强在不同条件下的缺陷检测能力。图3展示了多阶段GAN的示意图。Zhang等人Wei等人(2023)提出了一种基于注意力机制的生成对抗网络(AFF-GAN)该网络利用特征金字塔网络和注意力机制来增强特征表示能力从而检测染色纱线织物的表面缺陷。Wei等人(2023)提出了一种基于深度卷积生成对抗网络(DCGAN)架构的多阶段缺陷检测方法该方法包括图像生成、编码器训练以及判别和分类三个步骤。织物图像的“正常分布”以无监督的方式学习并在测试阶段重建误差或错误。异常检测以似然图的形式实现这进一步降低了对标注数据的依赖性。与传统的图像分析方法相比GAN在织物缺陷检测方面的主要优势体现在以下几个方面。首先GAN 具有强大的图像生成能力能够有效扩展缺陷样本空间使训练集更具代表性并适应各种织物结构和缺陷形态。其次GAN 的对抗训练机制能够驱动生成器学习更接近真实织物图像的分布尤其适用于处理具有重复纹理、颜色干扰和几何变形等复杂特征的工业织物图像。此外GAN 可以与其他深度网络结构例如注意力机制、U-Net、VAE 等相结合进一步提高缺陷识别的鲁棒性和泛化能力。然而尽管 GAN 在织物缺陷检测领域展现出良好的前景但其应用仍面临一些挑战。例如难以控制生成样本的质量和稳定性训练过程容易陷入模式崩溃以及计算资源消耗高。因此在实际应用中应根据具体的织物场景、缺陷类型和任务目标对模型结构进行调整和优化。例如在大规模生产环境中轻量级网络可以与增量式训练策略相结合以提高系统响应速度和部署效率而在丝绸、锦缎等高价值织物以及其他缺陷容忍度低的场景中应优先考虑高保真图像生成能力和微缺陷检测率之间的平衡。总之GAN模型为织物缺陷检测提供了一种有效的数据驱动手段尤其适用于数据不足、样本不平衡和缺陷模式多样的复杂工业环境。未来通过结合多模态特征融合、半监督机制和小样本学习策略有望在工业智能检测领域继续发挥关键作用。3.4.2.4. 自编码器。自编码器是一种神经网络结构由编码器和解码器组成。它最初由Le Cun和Fogelman-Soulié (1987)提出并广泛应用于无监督学习和特征提取。自编码器通过压缩和解压缩数据来提取关键特征并在织物缺陷检测方面取得了良好的效果。表10总结了用于织物缺陷检测的基于编码器的算法。Bergmann等人(2019)提出了一种基于结构相似性的感知损失函数提高了传统卷积自编码器在复杂场景下的性能。Han和Yu (2020)提出了一种基于堆叠卷积去噪自编码器(SCDAE)的缺陷检测系统该系统使用15层编码器和解码器进行特征处理。 Oz等人2021提出了一种基于嵌套自编码器的自动化缺陷检测方法。第一个自编码器主要用于特征提取和图像重建而第二个自编码器用于识别和修复特征码中的缺陷。缺陷检测是通过比较第一个和第二个自编码器解码的特征码的输出差异并进行阈值处理来实现的。总的来说由于其强大的特征学习和重建能力该自编码器结构在织物缺陷检测方面展现出良好的实用性和可扩展性。它不仅可以识别无标签数据场景下的缺陷还可以自动学习不同类型织物纹理结构的内部模式并适应各种材料例如印花棉布、色织布、平纹布和提花布。在缺陷稀疏、形态不规则或标注困难的工业场景中自编码器模型通常优于传统的阈值分割或手动特征提取方法。然而该方法仍然存在一些问题例如对边缘区域或重复模式的错误检测以及训练稳定性有限。未来的研究可以通过结合变分自编码器VAE、对抗训练机制或时空特征融合等方法来进一步提高模型的泛化性能和检测精度。总体而言作为一种无监督智能检测框架自编码器在织物图像分析领域展现出较高的研究价值和应用前景值得在实际工业检测系统中持续推广和优化。3.4.2.5. Transformer。Transformer模型最初由Vaswani等人提出。 2017年Vaswani等人提出了Transformer模型来解决自然语言处理中的长距离依赖问题。其核心机制是自注意力机制该机制无需依赖循环结构即可捕捉序列中任意位置之间的关系从而显著提高了模型处理长序列数据的效率和准确性。表11总结了用于织物缺陷检测的基于Transformer的方法。近年来越来越多的研究将Transformer结构引入织物缺陷检测任务以提高模型对复杂背景和细粒度缺陷的感知能力。Qu等人2023提出的U-SMR网络结合了ResNet-50和Swin Transformer模块。通过轻量级的多尺度特征提取模块和递归残差解码结构它实现了上下文信息和缺陷边缘的精确融合并在ZJU-Leaper和HKU-Fabric数据集上均取得了优异的性能。类似地U€zen等人2022设计了Swin-MFINEt模型在编码器中引入了Inception网络在解码器中集成了Swin Transformer并结合了多特征融合模块以提高像素级缺陷识别的精度。在MVTec数据集上该模型取得了优于现有方法的mIoU性能。在无监督检测方面Tang等人2024提出的PMRM模型基于Transformer架构进行背景修复。借助结构相似性约束和渐进式掩码修复策略该模型有效减少了伪缺陷检测并提高了缺陷样本稀少场景下的泛化能力。Xu等人2023提出的改进型Swin-Unet模型集成了Gabor滤波器增强了抑制复杂纹理干扰的能力。结合非对称U-Net架构和多阶段融合策略该模型显著提高了对小尺度和弱边缘缺陷的检测精度。此外Tao等人2023设计的ViTALnet通过将视觉变换器与金字塔结构的异常估计模块相结合提高了多个工业表面数据集的异常定位能力。Yao等人2024提出将超分辨率重建相结合。4. 数据集合适的数据集是支持研究和实际应用的基础。为了确保相关工作得到全面有效的开展本文汇编了一系列具有代表性的数据集详细信息见表11。这些数据集涵盖了各种来源和类型囊括了实际生产过程中可能出现的各种织物缺陷包括常见的经纬线缺陷以及更复杂的瑕疵例如染色不均、破洞、污渍和其他瑕疵。图像采集条件、分辨率、样本量和其他因素也各不相同。在广泛使用的数据集中TILDA 是一个专门针对机织物的数据集常用于在受控光照条件下对基于卷积神经网络CNN的检测器进行基准测试。其适中的规模和相对均衡的类别分布使其适用于算法开发的早期阶段尽管它缺乏真实工业环境中常见的背景复杂性。尽管Kylberg Texture数据集并非专门针对特定织物但它具有很高的类内变异性这有助于基于纹理的特征学习。它通常用于预训练然后再使用更专业的纺织品数据集进行微调。Fabric Stain是一个高分辨率数据集专门用于检测污渍缺陷。由于其样本量有限且为二元分类因此在泛化方面面临挑战通常需要使用数据增强或合成数据生成来提高模型的鲁棒性。DAGM 2007是表面缺陷检测的经典基准数据集。虽然它并非专门针对纺织品但由于其提供了像素级的真实值因此对于验证面向分割的架构和专注于细粒度空间定位的模型尤为有用。阿里云天池织物数据集是一个工业级数据集具有高分辨率和多样化的缺陷类别。它能够进行稳健的模型训练使其在不同的光照条件和缺陷模式下都能很好地泛化。然而其庞大的规模和图像复杂性需要大量的计算资源。ZJU-Leaper 提供了涵盖常见和罕见织物缺陷的大量数据。凭借其 19 个标注类别和标准化的分辨率它特别适合评估检测精度和研究缓解类别不平衡的策略。Lusitano 提供极高分辨率的图像和广泛的缺陷分类有助于开展细粒度分类任务的研究以及将超分辨率技术集成到织物缺陷检测模型中。其他数据集KTH-TIPS、Fabrics、DHU FD、HKU Fabric、YDFIA-1/2各有其独特之处——无论是具有挑战性的光照条件KTH-TIPS、真实的生产样品DHU FD还是多传感器采集YDFIA——它们通常用于测试泛化能力或特定的算法创新。通过以互补的方式利用这些数据集——例如将基于通用或合成数据集的预训练与基于真实世界织物数据的微调相结合——研究人员可以开发出兼顾准确性、泛化能力和效率的模型。这也凸显了在推进实际工业应用中的缺陷检测系统时迁移学习和领域自适应的日益增长的需求表 12。5. 挑战与未来方向5.1. 复杂织物纹理和图案的干扰织物缺陷检测面临着复杂纹理和图案带来的严峻挑战尤其是在提花织物、印花织物和特殊梭织织物中正常纹理和缺陷特征之间的界限往往模糊不清。现有方法存在明显的局限性传统方法依赖于固定的阈值和简单的特征规则缺乏对变化纹理的适应性尽管深度学习方法有所改进但由于纹理的复杂性卷积神经网络可能会过拟合正常图案从而降低对缺陷的灵敏度。为了有效解决复杂纹理环境下的缺陷检测问题未来的研究可以集中在几个关键方向。首先是开发针对性的纹理分析算法通过建立复杂纹理的数学模型或统计特征来准确识别异常偏差第二点是结合纺织领域的先验知识预定义特定织造图案的正常变化范围为算法提供额外的判断依据第三点是将深度学习的语义分割技术应用于织物。图像被划分为不同的语义类别通过高层次的语义理解减少误判和漏检并提高复杂纹理环境下缺陷检测的性能。5.2 微细缺陷检测的挑战微细缺陷检测在纺织品质量控制系统中起着核心作用。尽管这些缺陷尺寸很小但它们会显著影响织物的整体质量和市场价值尤其是在高端纺织品市场。目前的检测技术面临三大挑战首先图像采集阶段受限于分辨率和环境噪声干扰导致缺陷成像模糊其次传统的特征提取方法例如边缘检测和灰度共生矩阵难以有效提取微小缺陷的精细特征第三当深度学习模型处理微小目标时多层卷积和池化会丢失大量特征信息导致检测精度降低。为了应对这些挑战未来的研究可以集中于以下几个方向1开发结合先进光学技术和智能照明方案的超高分辨率成像系统以捕捉更精细的缺陷细节2研究能够根据织物特性动态调整参数的微小缺陷自适应增强算法3探索基于小波变换和方向滤波器的新型特征提取方法以更有效地捕捉微小缺陷的纹理和方向特征4设计专门针对微小目标的轻量级神经网络架构在保留浅层特征的同时降低计算复杂度。5开发基于注意力机制的多尺度特征融合技术以增强模型对不同尺寸缺陷的适应性。这些研究方向有望显著提高微小缺陷检测的准确性和可靠性并为纺织品质量控制提供强有力的技术支持。5.3 实时检测需求与计算资源限制随着纺织行业自动化程度的不断提高织物缺陷检测的实时性已成为质量控制系统的关键要素。高速生产线要求缺陷检测系统能够在极短时间内完成精确的扫描和判断以确保及时发现和处理问题。然而尽管基于深度学习的检测算法在准确性方面展现出显著优势但其复杂的模型结构导致计算复杂度极高。即使采用深度学习算法其计算复杂度仍然很高。即使借助GPU加速面对大规模织物图像数据和高帧率检测需求高速生产线上毫秒级甚至微秒级的实时检测仍然难以满足。为了突破这一瓶颈可以从三个方向进行技术创新首先在算法优化层面通过参数剪枝、量化和知识蒸馏等模型压缩技术可以显著降低模型的计算量和存储需求其次在硬件加速方面可以使用ASIC和FPGA等专用集成电路提供高效的硬件支持。ASIC可以通过定制设计将推理速度提升到微秒级而FPGA凭借其可重构性可以灵活地适应不同的算法需求第三分布式计算技术通过将检测任务分解并分配到多个计算节点进行并行处理可以充分利用集群计算资源并根据检测任务负载动态调整资源分配。通过这些技术的集成应用有望构建一个既能保证准确性又能满足实时性要求的检测系统从而促进纺织行业的智能化升级。5.4 数据集的局限性和数据不平衡的挑战从当前公共数据集的现状来看织物缺陷检测的研究面临着两个关键的数据挑战严重制约了算法的开发和应用。首先高质量的公共数据集十分稀缺且差异显著主要体现在诸多方面例如织物类型不同材料的纹理和物理特性不同、缺陷类型如孔洞、污渍、断线、经纬线歪斜等不同表现形式以及图像采集条件光照强度、角度和设备分辨率不均等。这使得研究人员难以找到统一且权威的标准数据集作为基准极大地阻碍了算法性能评估的准确性和公平性并延缓了研究进展。其次实际生产过程中的数据严重不平衡正常织物样本数量远超其他样本而缺陷样本则极其稀少。这种不平衡导致检测算法在学习过程中过度拟合正常样本的特征模式对罕见缺陷样本的特征关注不足从而大大降低了实际检测任务的性能增加了缺陷产品流入市场的风险威胁产品质量控制。应对这些挑战的策略主要包括建立大规模、标准化的织物缺陷图像数据集共享平台整合行业资源并制定统一的采集标准、标注规范和数据格式为了解决数据不平衡问题采用过采样技术增加缺陷样本的比例采用欠采样技术减少正常样本的数量并采用代价敏感学习方法为不同类型的样本赋予不同的权重以提高缺陷检测的灵敏度。解决这些数据挑战需要学术界和产业界的通力合作这是推动织物缺陷检测技术持续进步的关键所在。6. 结论作为纺织行业质量控制的核心环节织物缺陷检测近年来在传统方法和现代图像处理技术的共同推动下取得了显著进展。本文系统地回顾了织物缺陷检测的技术发展、数据集以及当前面临的主要挑战和局限性旨在为学术界提供全面的研究参考和实践指导。传统的检测方法奠定了基础但其在复杂纹理和微小缺陷检测方面存在局限性。现代技术的进步体现在图像采集系统的优化高分辨率相机设备和均匀照明、图像预处理技术去噪、增强和分割的改进以提高特征提取效果、特征提取方法的多样化纹理、颜色和形状特征以及检测技术从传统机器学习向深度学习的演进。然而织物缺陷检测仍然面临诸多挑战。复杂织物纹理和图案的干扰微小缺陷的检测难题以及实时检测等问题。
 获取与实战)
