DAMOYOLO-S实战案例纺织品瑕疵检测结合裁剪局部放大1. 引言从通用检测到工业质检在工业生产线上质检环节往往是效率瓶颈。传统的人工目检不仅成本高昂而且容易因疲劳导致漏检、误检。特别是在纺织品制造领域布匹上的瑕疵种类繁多、形态各异对检测系统的精度和速度都提出了极高要求。今天我们将分享一个基于DAMOYOLO-S模型的实战案例纺织品瑕疵检测。这个案例的特别之处在于我们不仅直接使用模型进行检测还结合了图像预处理技巧——裁剪与局部放大来应对小瑕疵检测的挑战。通过这种方法我们成功地将一个通用目标检测模型精准地应用到了特定的工业质检场景中。2. DAMOYOLO-S模型简介2.1 什么是DAMOYOLO-SDAMOYOLO-S是阿里达摩院开源的一个轻量级但高性能的目标检测模型。它属于DAMO-YOLO系列专门针对实际部署场景进行了优化在保持较高检测精度的同时大幅提升了推理速度。简单来说你可以把它理解为一个“视力好、反应快”的AI检测员。给它一张图片它就能快速找出图片里都有哪些物体并用框标出来同时告诉你这是什么物体、有多大把握。2.2 为什么选择它做瑕疵检测你可能会有疑问这是一个通用检测模型能识别COCO数据集的80类常见物体比如人、车、猫狗怎么能用来检测布匹上的瑕疵呢这里的关键在于迁移学习和技巧应用。虽然模型最初不是为瑕疵检测训练的但其强大的特征提取和目标定位能力是通用的。我们通过以下方式让它“转行”重新训练可选如果有足够的带标注的瑕疵图片可以用它们对模型进行微调让模型专门学习识别瑕疵。零样本或少样本应用本文重点对于一些特征明显、与通用物体有相似之处的瑕疵如破洞、污渍、线头模型可能凭借其通用识别能力直接检测出来。更重要的是我们可以通过图像预处理裁剪放大来“帮助”模型更好地发现小目标。本案例将重点展示第二种方式即不重新训练模型而是通过策略让现有模型发挥更大作用。3. 实战纺织品瑕疵检测全流程我们的目标是一块大型布匹图像上面可能散布着一些细小的瑕疵如破洞、污点、织造错误等。直接对整张大图进行检测小瑕疵很容易被模型忽略。因此我们的策略是“化整为零重点放大”。3.1 整体思路与步骤整个处理流程可以分为三个核心步骤如下图所示graph TD A[输入 整幅布匹图像] -- B(步骤一 网格化裁剪) B -- C[得到N个图像切片] C -- D{步骤二 对每个切片进行检测} D --|检测到疑似瑕疵| E(步骤三 局部区域放大) D --|未检测到| F[丢弃该切片] E -- G[对放大后的高分辨率区域再次检测] G -- H[输出 精确定位的瑕疵框与类别]下面我们来详细拆解每一个步骤。3.2 步骤一图像网格化裁剪首先我们需要将高分辨率的大图切割成多个重叠的小图块切片。这样做有两个好处一是缩小了每次输入模型的图片尺寸加快推理速度二是将可能存在的瑕疵“分配”到不同的切片中避免了在整图中目标过小的问题。import cv2 import numpy as np def grid_crop(image, crop_size640, overlap_ratio0.2): 将图像网格化裁剪成多个小图。 参数: image: 输入图像 (numpy数组) crop_size: 裁剪出的图块尺寸默认640与DAMOYOLO常用输入尺寸匹配 overlap_ratio: 图块之间的重叠比例防止瑕疵被切在边界上 返回: patches: 裁剪出的图块列表 locations: 每个图块在原图中的坐标 (x1, y1, x2, y2) height, width image.shape[:2] stride int(crop_size * (1 - overlap_ratio)) # 滑动步长 patches [] locations [] # 在高度和宽度方向上滑动窗口 for y in range(0, height - crop_size 1, stride): for x in range(0, width - crop_size 1, stride): # 计算裁剪区域防止越界 x2 min(x crop_size, width) y2 min(y crop_size, height) # 实际裁剪尺寸可能小于crop_size在边缘时可以填充或直接使用 patch image[y:y2, x:x2] # 如果图块尺寸小于设定值可以选择填充这里简单跳过边缘过小的块 if patch.shape[0] crop_size // 2 and patch.shape[1] crop_size // 2: # 保持尺寸一致方便批量推理 if patch.shape[0] ! crop_size or patch.shape[1] ! crop_size: patch cv2.resize(patch, (crop_size, crop_size)) patches.append(patch) locations.append((x, y, x2, y2)) return patches, locations # 使用示例 original_img cv2.imread(fabric_image.jpg) patches, patch_locations grid_crop(original_img, crop_size640, overlap_ratio0.2) print(f将原图裁剪成了 {len(patches)} 个图块。)3.3 步骤二对切片进行初步检测接下来我们使用部署好的DAMOYOLO-S服务对每一个裁剪出的图块进行检测。这里我们假设你已经按照提示部署好了Gradio Web服务。import requests import json import base64 import cv2 def detect_with_damoyolo(image_patch, score_threshold0.25): 调用DAMOYOLO-S的Web API进行目标检测。 参数: image_patch: 单张图片 (numpy数组) score_threshold: 置信度阈值 返回: detections: 检测结果列表每个元素为 [label, score, [x1, y1, x2, y2]] 坐标是相对于输入图块的 # 1. 将图像编码为base64 _, buffer cv2.imencode(.jpg, image_patch) img_base64 base64.b64encode(buffer).decode(utf-8) # 2. 准备请求数据根据你的Gradio接口调整 # 注意实际API参数可能不同请根据服务端代码调整 api_url https://gpu-vlvyxchvc7-7860.web.gpu.csdn.net/run/predict # 示例地址需替换 payload { data: [ {data: fdata:image/jpeg;base64,{img_base64}}, score_threshold ] } try: response requests.post(api_url, jsonpayload, timeout30) result response.json() # 3. 解析返回结果 # 假设返回格式为: {data: [{image: ..., json: {...}}]} detections [] if data in result and len(result[data]) 0: json_output result[data][0].get(json, {}) for det in json_output.get(detections, []): # 这里需要根据实际API返回的字段名调整 label det.get(label, unknown) score det.get(score, 0.0) bbox det.get(box, [0,0,0,0]) # [x1, y1, x2, y2] if score score_threshold: detections.append([label, score, bbox]) return detections except Exception as e: print(f检测请求失败: {e}) return [] # 批量检测所有图块 all_detections [] # 存储每个图块的检测结果 for idx, patch in enumerate(patches): dets detect_with_damoyolo(patch, score_threshold0.2) if dets: print(f图块 {idx} 检测到 {len(dets)} 个目标。) all_detections.append((idx, dets))在这个阶段模型可能会将一些纹理、阴影或褶皱误检为“物体”。但更重要的是它能帮助我们定位到可能存在异常的图像区域。3.4 步骤三可疑区域局部放大与精检测初步检测后我们得到了一些带有“疑似目标”的图块和其坐标。但这些坐标是相对于640x640小图的。对于真正的瑕疵检测我们需要将坐标映射回原始大图。在原始大图上截取包含疑似目标的、范围稍大的区域。将这个区域高倍率放大使其细节更加清晰。对放大后的高清局部图再次进行检测进行最终确认。def refine_detection(original_img, patch_idx, detections_in_patch, patch_location, scale_factor3.0): 对初步检测到的可疑区域进行局部放大和精细检测。 参数: original_img: 原始大图 patch_idx: 图块索引 detections_in_patch: 在该图块内的初步检测结果 patch_location: 该图块在原图中的位置 (px1, py1, px2, py2) scale_factor: 局部区域的放大倍数 返回: refined_results: 精检测后的结果列表坐标已映射回原图 px1, py1, px2, py2 patch_location patch_height py2 - py1 patch_width px2 - px1 refined_results [] for label, score, bbox in detections_in_patch: # bbox: [x1_in_patch, y1_in_patch, x2_in_patch, y2_in_patch] bx1, by1, bx2, by2 bbox # 1. 将图块内坐标映射回原图坐标 bx1_orig int(px1 bx1 * (patch_width / 640)) # 假设输入图块被resize到640 by1_orig int(py1 by1 * (patch_height / 640)) bx2_orig int(px1 bx2 * (patch_width / 640)) by2_orig int(py1 by2 * (patch_height / 640)) # 2. 计算一个更大的感兴趣区域(ROI)用于放大 roi_width bx2_orig - bx1_orig roi_height by2_orig - by1_orig # 扩大区域确保上下文信息 expand_w int(roi_width * 0.5) expand_h int(roi_height * 0.5) roi_x1 max(0, bx1_orig - expand_w) roi_y1 max(0, by1_orig - expand_h) roi_x2 min(original_img.shape[1], bx2_orig expand_w) roi_y2 min(original_img.shape[0], by2_orig expand_h) # 3. 截取ROI并高倍率放大 roi original_img[roi_y1:roi_y2, roi_x1:roi_x2] if roi.size 0: continue # 放大ROI使细节更清晰 new_width int(roi.shape[1] * scale_factor) new_height int(roi.shape[0] * scale_factor) enlarged_roi cv2.resize(roi, (new_width, new_height), interpolationcv2.INTER_CUBIC) # 4. 对放大后的高清ROI再次进行检测 refined_dets detect_with_damoyolo(enlarged_roi, score_threshold0.3) # 可提高阈值 # 5. 将精检测结果坐标映射回原始大图坐标系 for r_label, r_score, r_bbox in refined_dets: # r_bbox坐标是相对于enlarged_roi的 rx1, ry1, rx2, ry2 r_bbox # 映射回ROI坐标系 rx1_roi rx1 / scale_factor ry1_roi ry1 / scale_factor rx2_roi rx2 / scale_factor ry2_roi ry2 / scale_factor # 映射回原始大图坐标系 final_x1 int(roi_x1 rx1_roi) final_y1 int(roi_y1 ry1_roi) final_x2 int(roi_x1 rx2_roi) final_y2 int(roi_y1 ry2_roi) # 只保留高置信度的结果并过滤掉过小的框可能是噪声 if r_score 0.5 and (final_x2 - final_x1) 10 and (final_y2 - final_y1) 10: refined_results.append({ label: r_label, score: r_score, bbox: [final_x1, final_y1, final_x2, final_y2], source: fpatch_{patch_idx}_refined }) return refined_results # 执行精检测流程 final_defects [] for idx, dets in all_detections: patch_loc patch_locations[idx] refined refine_detection(original_img, idx, dets, patch_loc, scale_factor3.0) final_defects.extend(refined) print(f精检测后共发现 {len(final_defects)} 个瑕疵目标。)3.5 结果可视化与输出最后我们将最终检测到的瑕疵框绘制在原始图像上并生成检测报告。def visualize_results(image, defects_list, output_pathdetection_result.jpg): 将检测结果可视化绘制边界框和标签。 result_img image.copy() for i, defect in enumerate(defects_list): label defect[label] score defect[score] x1, y1, x2, y2 defect[bbox] # 绘制矩形框 color (0, 255, 0) if score 0.7 else (0, 165, 255) # 高置信度绿色中等置信度橙色 thickness 2 cv2.rectangle(result_img, (x1, y1), (x2, y2), color, thickness) # 绘制标签文本背景和文字 label_text f{label}: {score:.2f} (text_width, text_height), baseline cv2.getTextSize(label_text, cv2.FONT_HERSHEY_SIMPLEX, 0.5, 1) # 文本背景框 cv2.rectangle(result_img, (x1, y1 - text_height - 5), (x1 text_width, y1), color, -1) # 文本 cv2.putText(result_img, label_text, (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 1) # 保存结果 cv2.imwrite(output_path, result_img) print(f结果已保存至: {output_path}) # 生成简略报告 report { image_size: f{image.shape[1]}x{image.shape[0]}, total_defects_detected: len(defects_list), defects_by_label: {}, defects_list: defects_list } for defect in defects_list: label defect[label] report[defects_by_label][label] report[defects_by_label].get(label, 0) 1 import json with open(detection_report.json, w) as f: json.dump(report, f, indent2) print(检测报告已生成: detection_report.json) return result_img # 调用可视化函数 result_image visualize_results(original_img, final_defects, fabric_defects_detected.jpg)4. 方案优势与效果分析通过“裁剪局部放大”的策略我们将DAMOYOLO-S这个通用检测模型成功应用于纺织品瑕疵检测并取得了不错的效果。这套方案的优势主要体现在以下几个方面4.1 显著提升小目标检测能力这是最核心的收益。在整幅图像中一个几像素的破洞对于模型来说几乎是不可见的。但经过裁剪和局部放大后这个瑕疵在模型“眼”中变成了一个占据图像相当区域的明显目标极大地提高了被检测到的概率。4.2 灵活应对不同分辨率图像工业相机拍摄的布匹图像往往分辨率极高如4000x3000以上。直接推理对计算资源要求高、速度慢。我们的方法将其分解为多个标准尺寸如640x640的图块进行并行或串行检测更加灵活高效。4.3 实现粗筛与精检的流水线流程本身构成一个两级检测系统粗筛快速扫描所有图块找出所有“可疑区域”。此阶段可以使用较低的置信度阈值力求不漏掉任何潜在瑕疵。精检只对可疑区域进行高分辨率、高置信度的复核。这避免了在全图进行高精度计算带来的资源浪费。4.4 与专用瑕疵检测模型的对比为了更直观地理解本方案的价值我们将其与几种常见方案进行了简单对比方案优点缺点适用场景本方案DAMOYOLO-S 裁剪放大无需重新训练、部署简单、通用性强、能较好检测小目标可能误检纹理、流程稍复杂、依赖参数调整快速验证、小样本启动、检测多种未知瑕疵专用瑕疵检测模型如训练好的YOLO精度高、误检少、推理流程简单需要大量标注数据训练、模型泛化性差换种布料可能就不行稳定量产、瑕疵类型固定、有充足数据传统图像处理如阈值、滤波速度快、计算资源要求低、规则明确适应性差、受光照和纹理影响大、无法识别复杂瑕疵规则简单、背景均匀、对比度高的瑕疵可以看到我们的方案在灵活性和启动成本上具有明显优势非常适合在项目初期、数据不足或需要快速验证想法时使用。5. 总结与展望通过这个实战案例我们展示了如何将一个开源的通用目标检测模型DAMOYOLO-S通过巧妙的工程策略图像裁剪与局部放大应用于专业的工业瑕疵检测场景。这种方法的核心思想是将大问题分解为小问题并聚焦于关键区域。回顾一下关键点网格化裁剪处理大图并初步定位潜在区域。初步检测利用DAMOYOLO-S的通用能力进行快速粗筛。局部放大精检对可疑区域进行“特写”观察大幅提升小瑕疵检出率。下一步可以尝试的优化方向动态参数调整根据图像内容自动调整裁剪尺寸、重叠率和放大倍数。多模型融合在精检阶段可以尝试使用另一个更擅长小目标或纹理分析的轻量模型。主动学习将模型不确定的检测结果如置信度在0.3-0.6之间保存下来交由人工标注形成新的训练数据逐步微调DAMOYOLO-S让它越来越擅长识别特定瑕疵。集成到流水线将整个流程封装成API或服务与工业相机和PLC系统对接实现实时在线检测。工业AI质检的大门已经打开即使没有现成的专用模型利用好现有的通用工具和巧妙的策略也能解决许多实际问题。希望这个案例能为你带来启发。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。 DAMOYOLO-S实战案例：纺织品瑕疵检测（结合裁剪+局部放大）
DAMOYOLO-S实战案例纺织品瑕疵检测结合裁剪局部放大1. 引言从通用检测到工业质检在工业生产线上质检环节往往是效率瓶颈。传统的人工目检不仅成本高昂而且容易因疲劳导致漏检、误检。特别是在纺织品制造领域布匹上的瑕疵种类繁多、形态各异对检测系统的精度和速度都提出了极高要求。今天我们将分享一个基于DAMOYOLO-S模型的实战案例纺织品瑕疵检测。这个案例的特别之处在于我们不仅直接使用模型进行检测还结合了图像预处理技巧——裁剪与局部放大来应对小瑕疵检测的挑战。通过这种方法我们成功地将一个通用目标检测模型精准地应用到了特定的工业质检场景中。2. DAMOYOLO-S模型简介2.1 什么是DAMOYOLO-SDAMOYOLO-S是阿里达摩院开源的一个轻量级但高性能的目标检测模型。它属于DAMO-YOLO系列专门针对实际部署场景进行了优化在保持较高检测精度的同时大幅提升了推理速度。简单来说你可以把它理解为一个“视力好、反应快”的AI检测员。给它一张图片它就能快速找出图片里都有哪些物体并用框标出来同时告诉你这是什么物体、有多大把握。2.2 为什么选择它做瑕疵检测你可能会有疑问这是一个通用检测模型能识别COCO数据集的80类常见物体比如人、车、猫狗怎么能用来检测布匹上的瑕疵呢这里的关键在于迁移学习和技巧应用。虽然模型最初不是为瑕疵检测训练的但其强大的特征提取和目标定位能力是通用的。我们通过以下方式让它“转行”重新训练可选如果有足够的带标注的瑕疵图片可以用它们对模型进行微调让模型专门学习识别瑕疵。零样本或少样本应用本文重点对于一些特征明显、与通用物体有相似之处的瑕疵如破洞、污渍、线头模型可能凭借其通用识别能力直接检测出来。更重要的是我们可以通过图像预处理裁剪放大来“帮助”模型更好地发现小目标。本案例将重点展示第二种方式即不重新训练模型而是通过策略让现有模型发挥更大作用。3. 实战纺织品瑕疵检测全流程我们的目标是一块大型布匹图像上面可能散布着一些细小的瑕疵如破洞、污点、织造错误等。直接对整张大图进行检测小瑕疵很容易被模型忽略。因此我们的策略是“化整为零重点放大”。3.1 整体思路与步骤整个处理流程可以分为三个核心步骤如下图所示graph TD A[输入 整幅布匹图像] -- B(步骤一 网格化裁剪) B -- C[得到N个图像切片] C -- D{步骤二 对每个切片进行检测} D --|检测到疑似瑕疵| E(步骤三 局部区域放大) D --|未检测到| F[丢弃该切片] E -- G[对放大后的高分辨率区域再次检测] G -- H[输出 精确定位的瑕疵框与类别]下面我们来详细拆解每一个步骤。3.2 步骤一图像网格化裁剪首先我们需要将高分辨率的大图切割成多个重叠的小图块切片。这样做有两个好处一是缩小了每次输入模型的图片尺寸加快推理速度二是将可能存在的瑕疵“分配”到不同的切片中避免了在整图中目标过小的问题。import cv2 import numpy as np def grid_crop(image, crop_size640, overlap_ratio0.2): 将图像网格化裁剪成多个小图。 参数: image: 输入图像 (numpy数组) crop_size: 裁剪出的图块尺寸默认640与DAMOYOLO常用输入尺寸匹配 overlap_ratio: 图块之间的重叠比例防止瑕疵被切在边界上 返回: patches: 裁剪出的图块列表 locations: 每个图块在原图中的坐标 (x1, y1, x2, y2) height, width image.shape[:2] stride int(crop_size * (1 - overlap_ratio)) # 滑动步长 patches [] locations [] # 在高度和宽度方向上滑动窗口 for y in range(0, height - crop_size 1, stride): for x in range(0, width - crop_size 1, stride): # 计算裁剪区域防止越界 x2 min(x crop_size, width) y2 min(y crop_size, height) # 实际裁剪尺寸可能小于crop_size在边缘时可以填充或直接使用 patch image[y:y2, x:x2] # 如果图块尺寸小于设定值可以选择填充这里简单跳过边缘过小的块 if patch.shape[0] crop_size // 2 and patch.shape[1] crop_size // 2: # 保持尺寸一致方便批量推理 if patch.shape[0] ! crop_size or patch.shape[1] ! crop_size: patch cv2.resize(patch, (crop_size, crop_size)) patches.append(patch) locations.append((x, y, x2, y2)) return patches, locations # 使用示例 original_img cv2.imread(fabric_image.jpg) patches, patch_locations grid_crop(original_img, crop_size640, overlap_ratio0.2) print(f将原图裁剪成了 {len(patches)} 个图块。)3.3 步骤二对切片进行初步检测接下来我们使用部署好的DAMOYOLO-S服务对每一个裁剪出的图块进行检测。这里我们假设你已经按照提示部署好了Gradio Web服务。import requests import json import base64 import cv2 def detect_with_damoyolo(image_patch, score_threshold0.25): 调用DAMOYOLO-S的Web API进行目标检测。 参数: image_patch: 单张图片 (numpy数组) score_threshold: 置信度阈值 返回: detections: 检测结果列表每个元素为 [label, score, [x1, y1, x2, y2]] 坐标是相对于输入图块的 # 1. 将图像编码为base64 _, buffer cv2.imencode(.jpg, image_patch) img_base64 base64.b64encode(buffer).decode(utf-8) # 2. 准备请求数据根据你的Gradio接口调整 # 注意实际API参数可能不同请根据服务端代码调整 api_url https://gpu-vlvyxchvc7-7860.web.gpu.csdn.net/run/predict # 示例地址需替换 payload { data: [ {data: fdata:image/jpeg;base64,{img_base64}}, score_threshold ] } try: response requests.post(api_url, jsonpayload, timeout30) result response.json() # 3. 解析返回结果 # 假设返回格式为: {data: [{image: ..., json: {...}}]} detections [] if data in result and len(result[data]) 0: json_output result[data][0].get(json, {}) for det in json_output.get(detections, []): # 这里需要根据实际API返回的字段名调整 label det.get(label, unknown) score det.get(score, 0.0) bbox det.get(box, [0,0,0,0]) # [x1, y1, x2, y2] if score score_threshold: detections.append([label, score, bbox]) return detections except Exception as e: print(f检测请求失败: {e}) return [] # 批量检测所有图块 all_detections [] # 存储每个图块的检测结果 for idx, patch in enumerate(patches): dets detect_with_damoyolo(patch, score_threshold0.2) if dets: print(f图块 {idx} 检测到 {len(dets)} 个目标。) all_detections.append((idx, dets))在这个阶段模型可能会将一些纹理、阴影或褶皱误检为“物体”。但更重要的是它能帮助我们定位到可能存在异常的图像区域。3.4 步骤三可疑区域局部放大与精检测初步检测后我们得到了一些带有“疑似目标”的图块和其坐标。但这些坐标是相对于640x640小图的。对于真正的瑕疵检测我们需要将坐标映射回原始大图。在原始大图上截取包含疑似目标的、范围稍大的区域。将这个区域高倍率放大使其细节更加清晰。对放大后的高清局部图再次进行检测进行最终确认。def refine_detection(original_img, patch_idx, detections_in_patch, patch_location, scale_factor3.0): 对初步检测到的可疑区域进行局部放大和精细检测。 参数: original_img: 原始大图 patch_idx: 图块索引 detections_in_patch: 在该图块内的初步检测结果 patch_location: 该图块在原图中的位置 (px1, py1, px2, py2) scale_factor: 局部区域的放大倍数 返回: refined_results: 精检测后的结果列表坐标已映射回原图 px1, py1, px2, py2 patch_location patch_height py2 - py1 patch_width px2 - px1 refined_results [] for label, score, bbox in detections_in_patch: # bbox: [x1_in_patch, y1_in_patch, x2_in_patch, y2_in_patch] bx1, by1, bx2, by2 bbox # 1. 将图块内坐标映射回原图坐标 bx1_orig int(px1 bx1 * (patch_width / 640)) # 假设输入图块被resize到640 by1_orig int(py1 by1 * (patch_height / 640)) bx2_orig int(px1 bx2 * (patch_width / 640)) by2_orig int(py1 by2 * (patch_height / 640)) # 2. 计算一个更大的感兴趣区域(ROI)用于放大 roi_width bx2_orig - bx1_orig roi_height by2_orig - by1_orig # 扩大区域确保上下文信息 expand_w int(roi_width * 0.5) expand_h int(roi_height * 0.5) roi_x1 max(0, bx1_orig - expand_w) roi_y1 max(0, by1_orig - expand_h) roi_x2 min(original_img.shape[1], bx2_orig expand_w) roi_y2 min(original_img.shape[0], by2_orig expand_h) # 3. 截取ROI并高倍率放大 roi original_img[roi_y1:roi_y2, roi_x1:roi_x2] if roi.size 0: continue # 放大ROI使细节更清晰 new_width int(roi.shape[1] * scale_factor) new_height int(roi.shape[0] * scale_factor) enlarged_roi cv2.resize(roi, (new_width, new_height), interpolationcv2.INTER_CUBIC) # 4. 对放大后的高清ROI再次进行检测 refined_dets detect_with_damoyolo(enlarged_roi, score_threshold0.3) # 可提高阈值 # 5. 将精检测结果坐标映射回原始大图坐标系 for r_label, r_score, r_bbox in refined_dets: # r_bbox坐标是相对于enlarged_roi的 rx1, ry1, rx2, ry2 r_bbox # 映射回ROI坐标系 rx1_roi rx1 / scale_factor ry1_roi ry1 / scale_factor rx2_roi rx2 / scale_factor ry2_roi ry2 / scale_factor # 映射回原始大图坐标系 final_x1 int(roi_x1 rx1_roi) final_y1 int(roi_y1 ry1_roi) final_x2 int(roi_x1 rx2_roi) final_y2 int(roi_y1 ry2_roi) # 只保留高置信度的结果并过滤掉过小的框可能是噪声 if r_score 0.5 and (final_x2 - final_x1) 10 and (final_y2 - final_y1) 10: refined_results.append({ label: r_label, score: r_score, bbox: [final_x1, final_y1, final_x2, final_y2], source: fpatch_{patch_idx}_refined }) return refined_results # 执行精检测流程 final_defects [] for idx, dets in all_detections: patch_loc patch_locations[idx] refined refine_detection(original_img, idx, dets, patch_loc, scale_factor3.0) final_defects.extend(refined) print(f精检测后共发现 {len(final_defects)} 个瑕疵目标。)3.5 结果可视化与输出最后我们将最终检测到的瑕疵框绘制在原始图像上并生成检测报告。def visualize_results(image, defects_list, output_pathdetection_result.jpg): 将检测结果可视化绘制边界框和标签。 result_img image.copy() for i, defect in enumerate(defects_list): label defect[label] score defect[score] x1, y1, x2, y2 defect[bbox] # 绘制矩形框 color (0, 255, 0) if score 0.7 else (0, 165, 255) # 高置信度绿色中等置信度橙色 thickness 2 cv2.rectangle(result_img, (x1, y1), (x2, y2), color, thickness) # 绘制标签文本背景和文字 label_text f{label}: {score:.2f} (text_width, text_height), baseline cv2.getTextSize(label_text, cv2.FONT_HERSHEY_SIMPLEX, 0.5, 1) # 文本背景框 cv2.rectangle(result_img, (x1, y1 - text_height - 5), (x1 text_width, y1), color, -1) # 文本 cv2.putText(result_img, label_text, (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 1) # 保存结果 cv2.imwrite(output_path, result_img) print(f结果已保存至: {output_path}) # 生成简略报告 report { image_size: f{image.shape[1]}x{image.shape[0]}, total_defects_detected: len(defects_list), defects_by_label: {}, defects_list: defects_list } for defect in defects_list: label defect[label] report[defects_by_label][label] report[defects_by_label].get(label, 0) 1 import json with open(detection_report.json, w) as f: json.dump(report, f, indent2) print(检测报告已生成: detection_report.json) return result_img # 调用可视化函数 result_image visualize_results(original_img, final_defects, fabric_defects_detected.jpg)4. 方案优势与效果分析通过“裁剪局部放大”的策略我们将DAMOYOLO-S这个通用检测模型成功应用于纺织品瑕疵检测并取得了不错的效果。这套方案的优势主要体现在以下几个方面4.1 显著提升小目标检测能力这是最核心的收益。在整幅图像中一个几像素的破洞对于模型来说几乎是不可见的。但经过裁剪和局部放大后这个瑕疵在模型“眼”中变成了一个占据图像相当区域的明显目标极大地提高了被检测到的概率。4.2 灵活应对不同分辨率图像工业相机拍摄的布匹图像往往分辨率极高如4000x3000以上。直接推理对计算资源要求高、速度慢。我们的方法将其分解为多个标准尺寸如640x640的图块进行并行或串行检测更加灵活高效。4.3 实现粗筛与精检的流水线流程本身构成一个两级检测系统粗筛快速扫描所有图块找出所有“可疑区域”。此阶段可以使用较低的置信度阈值力求不漏掉任何潜在瑕疵。精检只对可疑区域进行高分辨率、高置信度的复核。这避免了在全图进行高精度计算带来的资源浪费。4.4 与专用瑕疵检测模型的对比为了更直观地理解本方案的价值我们将其与几种常见方案进行了简单对比方案优点缺点适用场景本方案DAMOYOLO-S 裁剪放大无需重新训练、部署简单、通用性强、能较好检测小目标可能误检纹理、流程稍复杂、依赖参数调整快速验证、小样本启动、检测多种未知瑕疵专用瑕疵检测模型如训练好的YOLO精度高、误检少、推理流程简单需要大量标注数据训练、模型泛化性差换种布料可能就不行稳定量产、瑕疵类型固定、有充足数据传统图像处理如阈值、滤波速度快、计算资源要求低、规则明确适应性差、受光照和纹理影响大、无法识别复杂瑕疵规则简单、背景均匀、对比度高的瑕疵可以看到我们的方案在灵活性和启动成本上具有明显优势非常适合在项目初期、数据不足或需要快速验证想法时使用。5. 总结与展望通过这个实战案例我们展示了如何将一个开源的通用目标检测模型DAMOYOLO-S通过巧妙的工程策略图像裁剪与局部放大应用于专业的工业瑕疵检测场景。这种方法的核心思想是将大问题分解为小问题并聚焦于关键区域。回顾一下关键点网格化裁剪处理大图并初步定位潜在区域。初步检测利用DAMOYOLO-S的通用能力进行快速粗筛。局部放大精检对可疑区域进行“特写”观察大幅提升小瑕疵检出率。下一步可以尝试的优化方向动态参数调整根据图像内容自动调整裁剪尺寸、重叠率和放大倍数。多模型融合在精检阶段可以尝试使用另一个更擅长小目标或纹理分析的轻量模型。主动学习将模型不确定的检测结果如置信度在0.3-0.6之间保存下来交由人工标注形成新的训练数据逐步微调DAMOYOLO-S让它越来越擅长识别特定瑕疵。集成到流水线将整个流程封装成API或服务与工业相机和PLC系统对接实现实时在线检测。工业AI质检的大门已经打开即使没有现成的专用模型利用好现有的通用工具和巧妙的策略也能解决许多实际问题。希望这个案例能为你带来启发。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。