使用深度学习方法进行纺织品和颜色缺陷检测

摘要

近年来，深度学习（DL）的显著进展极大地提升了纺织品和颜色缺陷的检测能力。本综述特别关注基于DL的方法在纺织品和着色过程缺陷检测中的应用，重点在于目标检测及相关计算机视觉（CV）任务。第一部分系统地分类了现有的DL方法------包括卷积神经网络（CNN）、生成对抗网络（GAN）和基于Transformer的模型------并考察了它们在表面缺陷定位、颜色不一致性识别和异常检测等任务中的实现。概述了核心算法及其基本原理、实际挑战和新兴解决方案。第二部分进一步将DL方法与计算机视觉（CV）和专家系统（ES）等传统方法在着色过程缺陷诊断方面进行了比较。本工作提供了一个集成了模型架构分类学和方法论比较的结构化框架，比以往的综述提供了更深入的技术见解。通过强调DL、CV和ES方法之间的权衡，并识别未来的研究机会，本综述旨在为纺织品制造中设计成本效益高、性能优异的缺陷检测系统提供参考。

1 使用深度学习技术的缺陷检测

1.1 计算机视觉（CV）中的深度学习（DL）

计算机视觉（CV）是一个跨学科领域，致力于使计算机和数字系统能够解释和理解视觉输入，例如数字图像和视频。CV的应用范围涵盖零售、制造、质量控制、医学影像、安全和安防等多个行业。随着视觉数据的指数级增长和算法复杂度的不断提高，深度学习方法已成为应对CV相关挑战的强大工具。与传统的基于CV的方法相比，DL技术在特征提取和目标检测等任务中提供了更强的鲁棒性、准确性和效率。

现代DL算法的发展受到了诸如McCulloch-Pitts（MCP）神经模型、感知器、万能逼近定理和多层感知器（MLP）等基础概念的影响。 其中，由LeCun引入的卷积神经网络（CNN）通过实现数据的高效处理和手写数字识别，彻底改变了CV领域。LeCun和Bengio后来展示了CNN的更广泛潜力，强调了它们在解决各种视觉相关任务中的能力和局限性。

通过整合传统CV技术，DL已被应用于解决广泛的CV问题，包括：

1. 图像分类。

2. 目标检测。

3. 图像分割。

4. 图像风格迁移。

5. 图像着色。

6. 三维（3D）重建。

7. 超分辨率。

8. 图像合成。

本综述主要关注前三个领域------图像分类、目标检测和图像分割------因为它们与纺织品缺陷识别密切相关。以下小节简要介绍了这三个CV任务，并强调了它们作为后续章节讨论的更专业算法基础知识的重要性。图1展示了基于DL的方法在这些任务中应用的示例。

图 1 应用于图像分类、目标检测和图像分割的深度学习（DL）方法示例。

1.1.1 图像分类

图像分类是一项基础的CV任务，旨在为视觉输入中的对象分配标签。自CNN引入以来，已经开发出众多变体以提高分类的准确性和效率。例如，Krizhevsky等人引入了AlexNet，一种深度CNN架构，用于对120万张图像进行分类。他们的结果表明，与早期的神经网络相比有了显著改进。自AlexNet以来，用于图像分类的最新（SOTA）算法不断发展，提供了更高的性能和计算效率。因此，图像分类仍然是机器视觉的核心，通过处理和解释视觉数据提供基本见解。

1.1.2 目标检测

目标检测建立在图像分类的基础上，不仅识别视觉输入中对象的类别，还使用边界框对其进行定位。Girshick等人通过引入基于区域的卷积神经网络（R-CNN）开创了这一领域。R-CNN自此启发了几种SOTA算法，进一步增强了目标检测能力。这些进展将目标检测的应用扩展到多个领域，包括制造业缺陷检测、医学诊断和视频监控。第1.3节详细讨论了SOTA目标检测算法。

1.1.3 图像分割

图像分割作为目标检测的补充，通过划分和定位图像中的对象，允许对对象边界进行精确识别。此过程可分为两种主要方法：

• 语义分割：计算图像中每个像素的类别分布。
• 实例分割：为每个对象分配唯一标识符（ID），同时计算像素级类别分布。

Long等人引入了一种高效的基于DL的分割算法，为该领域的进一步发展奠定了基础。例如，U-Net及其变体已广泛应用于医学影像诊断。

这些核心CV任务构成了第1.4节涵盖的许多SOTA缺陷检测模型的基础。具体来说，分类模型支持缺陷类型识别，目标检测模型能够在织物图像中定位缺陷，分割模型则有助于缺陷区域的像素级映射。对这些任务的描述可以让读者更好地理解和欣赏用于纺织品和颜色检测系统的基于DL的方法的设计原理和理论基础。

1.2 纺织品缺陷检测中的深度学习（DL）

在过去十年中，CV和DL等颠覆性技术的出现对纺织研究产生了重大影响。Wen和Wong确定了在纺织研究中应用CV和DL技术的三个主要领域：时尚纺织品建模、时尚纺织品分割与识别以及时尚纺织品检索。Jiang和Wong特别强调了CV和DL在改进纺织品质量控制过程中的作用。

2016年，Hanbay等人对七种织物缺陷检测方法（包括基于DL的方法）进行了全面回顾，并对其优缺点进行了比较评估。Silvestre-Blanes等人使用公开可用的织物数据库，比较了传统的基于CV的方法与基于DL的技术在检测织物缺陷方面的效果，证明了DL在准确性和适应性方面的优势。最近，Li等人对织物缺陷检测技术进行了广泛回顾，涵盖了统计、频谱、基于模型和基于学习的方法，特别强调了基于CNN的DL方法。

1.3 动机

虽然早期的综述探讨了基于CV和DL的织物缺陷检测技术，但它们往往缺乏对该领域中DL方法具体应用的深入调查。此外，先前的研究主要集中在基于CNN的方法上，没有考察更广泛的DL算法谱系，也没有分析它们在图像分类、目标检测和图像分割等不同任务中的适用性。

DL算法的快速进步，加上现代硬件计算能力的不断增强，使得对纺织品缺陷检测方法进行更更新、更详细的分析成为必要。本综述旨在通过深入研究基于DL的纺织品和颜色缺陷检测技术来填补这些空白，这些技术围绕图像分类、目标检测和图像分割等关键任务进行组织。此外，本综述将重点介绍SOTA算法，并探讨它们在纺织行业的潜在应用。

1.4 图像分类

1.4.1 图像分类算法与模型

图像分类是一项基础的CV任务，涉及为视觉数据中的对象分配预定义标签。虽然传统的机器学习和CV方法已被用于此目的，但CNN的引入标志着一个变革性的里程碑，显著提高了图像分类任务的性能。

自CNN问世以来，已经开发了多种变体。AlexNet是最早利用CNN进行图像分类的深度神经网络之一，取得了突破性的性能。在此基础上，Simonyan和Zisserman在他们题为"用于大规模图像识别的超深度卷积网络"的文章中提出了VGG网络。他们证明，增加卷积网络的深度可以显著提高图像识别任务的准确性。

受VGG16启发，He等人引入了ResNet，它采用残差学习来增强超深度神经网络的训练。ResNet的架构解决了梯度消失问题，并提供了优于早期模型的性能。同样，谷歌的Inception模型，包括Inception v1（GoogleLeNet）及其演进版本Inception v3，在保证准确性的同时实现了计算效率，使其特别适用于大规模数据处理。

图像分类模型的性能通常使用精确率、召回率、准确率和F1分数等指标进行评估。这些指标提供了量化衡量各种算法有效性的方法。

虽然CNN多年来一直主导着图像分类任务，但由Google Brain提出的视觉Transformer（ViT）¹⁹最近因其处理大规模视觉数据的能力而受到重视。Raghu等人²⁰强调了ViT和CNN之间的区别，指出ViT在捕获全局依赖性和提高分类性能方面的优势。

受ResNet中跳跃连接的启发，MLP-Mixer²¹提出了一种更简单但计算效率更高的架构。事实证明，它在准确性上优于ResNet等基于CNN的模型，并能与ViT相媲美，同时提供更快的训练吞吐量（以每核每秒处理的图像数衡量）。这些架构的出现凸显了基于DL的图像分类方法的演变，为纺织品缺陷检测的新应用铺平了道路。

1.4.2 在纺织品缺陷检测中的应用

几位研究人员已将基于CNN的图像分类方法应用于纺织品缺陷检测，值得注意的研究总结在表1中。

关键贡献包括：

1. 改进的AlexNet方法：Jing等人²²和Jeyaraj与Nadar²³修改了AlexNet，分别检测六种和八种纺织品缺陷类型。他们的模型在不同大小的数据集上进行了训练，Jing等人使用了5000张图像，Jeyaraj和Nadar使用了1500张图像。为了进一步改进结果，Jeyaraj和Nadar²⁶通过整合ResNet架构和马尔可夫随机场（MRF）来保留高阶特征，增强了他们的方法，成功检测了六种针织物缺陷。

2. 预训练模型：Jing等人²⁴提出了一种基于CNN的方法，通过在局部图像块上应用具有修改架构的预训练AlexNet。在公共和自建数据集上的实验表明，根据精确率、召回率和准确率指标，其性能优于其他基于CNN的方法，如VGG和标准AlexNet。

3. 稀疏表示：Wei等人²⁵利用压缩采样（稀疏表示）来扩充小型数据集，并应用了基于改进AlexNet的CNN。结果表明，所提出的方法优于传统的机器学习模型，如MLP和支持向量机（SVM），以及没有压缩采样的标准AlexNet。这种方法被证明对小型数据集特别有效，450张图像就实现了高分类准确率。

4. 集成学习：Zhao等人²⁷引入了一种集成学习方法，使用投票机制在DenseNet、Inception v3和Xception模型之间对来自250张图像的小型数据集的五种纺织品缺陷类型进行分类。该方法展示了组合多个DL模型以提高性能的潜力。

5. 实时检测应用：Ouyang等人²⁸提出了一种基于CNN的方法，用于实时机上织物缺陷检测。他们的架构引入了一个成对势激活层，有效地处理了某些缺陷类型样本显著更多的不平衡数据集。该方法证明了在实时纺织品生产场景中实施基于CNN的模型的可行性。

1.4.3 基于图像分类方法的优缺点

优点：

1. 特征提取：基于CNN的模型擅长从不同层提取判别性特征，使其能够在织物缺陷检测任务中区分纹理特征和缺陷特征。²⁹

2. 高准确率：研究报告称，基于CNN的方法的准确率在90%到98%之间，显著优于传统的机器学习技术。²²⁻²⁸

3. 实时应用效率：与目标检测或图像分割方法相比，基于CNN的方法计算强度较低，使其适用于实时生产场景，如机上缺陷检测。

缺点：

1. 空间信息丢失：更深的CNN架构通常会丢失空间信息，使得难以编码缺陷的精确位置和方向。这一限制对需要精确定位缺陷的大规模织物检测过程构成了挑战。

2. 数据需求：基于CNN的方法需要大量带标签的训练数据，这在纺织品缺陷的背景下可能难以获得。即使有足够的数据，CNN由于其大量的参数也容易过拟合，需要先进的数据增强技术。

3. 对增强的依赖：与能够在各种条件下识别缺陷的人类检测员不同，基于CNN的模型需要大量的数据增强（例如，翻转、旋转或改变亮度）来处理角度和光照的变化。

4. 易受对抗性攻击：基于CNN的模型容易受到对抗性样本的影响------输入图像中微小的扰动可能导致模型进行错误分类。对于纺织品缺陷检测，传感器噪声或图像伪影可能无意中产生此类示例，从而降低模型在生产环境中的可靠性。

虽然基于CNN的图像分类方法推进了织物缺陷检测，但解决它们的局限性------如空间信息丢失、数据需求和对对抗性攻击的脆弱性------对于提高其鲁棒性和在大规模工业场景中的适用性至关重要。进一步探索将CNN与其他方法相结合的混合方法，可能为克服这些挑战提供有前景的解决方案。

1.5 目标检测

1.5.1 目标检测模型

基于目标检测的方法对输入图像中的目标对象进行分类和定位。这些方法大致可分为两大类型：两阶段方法和一阶段方法。此外，基于无监督学习的方法为目标检测领域内的缺陷检测提供了一种独特的替代方案。

两阶段方法

两阶段方法将目标检测过程分解为两个不同的阶段：

1. 区域提议阶段：此阶段识别可能存在对象的候选区域。一个DL网络，通常是区域提议网络（RPN），根据提取的特征生成这些提议。

2. 目标检测阶段：在此阶段，执行两个任务：

目标分类：确定每个区域提议对应的是对象还是背景。如果检测到对象，分类输出提供其类别的概率。

目标回归：细化边界框坐标，以预测图像中对象的精确位置。

R-CNN系列是两阶段目标检测中最有影响力的方法之一。该方法由Girshick等人首次提出，引入了一个在图像中检测对象的框架。该架构由四个关键组件组成：

1. 一个区域提议算法，用于识别输入图像中的多个候选区域。

2. 一个预训练的CNN，用于从这些提议区域中提取特征。

3. 多个SVM，用于将每个提议区域分类为对象或背景，并在检测到对象时分配类别概率。

4. 一个线性回归模型，用于细化检测到对象的边界框坐标。

虽然R-CNN展示了显著的进步，但其计算复杂性------将CNN单独应用于每个提议区域------成为了一个瓶颈。为了解决这个问题，Girshick引入了Fast R-CNN，通过将CNN应用于整个图像一次来提高效率。然后使用感兴趣区域（ROI）池化层为每个区域提议提取固定大小的特征，减少了冗余并提高了速度。

Ren等人通过Faster R-CNN进一步推进了这一框架，该框架用RPN取代了区域提议算法。RPN通过将提议生成和特征提取整合到单个DL流程中，实现了区域提议的实时生成。

这一创新显著降低了计算成本，同时不影响检测精度，使Faster R-CNN成为最广泛采用的两阶段方法之一。

Cascade R-CNN³⁴将R-CNN的多阶段框架扩展，以解决与交并比（IoU）阈值（附录A.5）相关的挑战。通过顺序训练一个阶段的输出以细化后续阶段，Cascade R-CNN缓解了过拟合问题，并展示了对复杂目标定位任务改进的检测性能。

一阶段方法

与两阶段方法不同，一阶段方法将区域提议和目标检测阶段整合到一个深度神经网络中。类似于两阶段方法中的RPN，一阶段检测器在单一步骤中对对象进行分类并预测边界框。这些方法同时输出分类分数（用于识别出的对象）和背景信息。

一阶段方法通常更快，因为它们消除了中间的区域提议步骤。然而，与两阶段方法相比，它们通常会牺牲一些检测精度。

已经开发了几种值得注意的一阶段算法来应对检测挑战：

1. 单次多框检测器（SSD）：由Liu等人³⁵提出，SSD采用多个层来捕获不同大小和尺度的对象。其流线型架构使其推理时间快于Faster R-CNN等两阶段方法。然而，与两阶段检测器相比，SSD牺牲了一些检测精度，尤其是对于较小的对象。³¹

2. YOLO（You Only Look Once）：YOLO由Redmon等人³⁶提出，通过一次性处理整个图像，彻底改变了实时目标检测。该算法将输入图像划分为一个网格，每个网格单元预测边界框（也称为锚框）和置信度分数。这些分数表示存在对象的可能性以及边界框拟合的准确性。然后应用非极大值抑制来移除未能最大化检测分数的重叠框。YOLO的实时能力------每秒处理高达45帧------使其在需要速度和泛化能力的应用中非常高效。随后的改进，包括YOLO9000³⁷、YOLOv3³⁸和YOLOv4³⁹，增强了准确性和训练效率。将ViT整合到YOLO模型中，如YOLOs⁴⁰所示，进一步提升了性能，在中型数据集上的COCO（通用上下文目标）等基准测试中取得了有竞争力的结果。

3. RetinaNet：Lin等人引入了RetinaNet来解决目标检测任务中的类别不平衡问题。

通过结合焦点损失函数，RetinaNet对较难的示例（例如，代表性不足的类别）赋予更多权重，缩小了一阶段和两阶段方法之间的精度差距。

4. RefineDet：RefineDet算法⁴²通过两个互连模块------锚点细化模块（ARM）和目标检测模块（ODM）------结合了两阶段和一阶段方法的优势。该架构细化了锚框以提高精度，并在PASCAL VOC 2007基准测试上实现了超过80%平均精度均值（mAP）的实时检测。⁴²

5. EfficientDet：由Tan等人⁴³提出，EfficientDet是目前SOTA的一阶段检测方法之一。它引入了两项关键创新：

一个用于增强特征提取的双向特征金字塔网络（BiFPN）。

一种复合缩放方法，统一缩放骨干网络、特征网络和框/类别预测组件的分辨率、深度和宽度。

EfficientDet在保持计算可行性的同时，实现了优于早期一阶段方法的检测效率和准确性。⁴³

用于目标检测的视觉Transformer（ViT）

ViT代表了传统一阶段和两阶段目标检测框架的转变，它用自注意力机制取代了卷积特征提取。这种设计能够对长程依赖关系进行建模，并捕获全局上下文信息，这对于纯粹的卷积架构来说通常是困难的。由Google Brain¹⁹引入的ViT已在包括图像分类、目标检测和语义分割在内的多种CV任务中取得了有竞争力的性能，并且越来越多地被探索用于需要细粒度特征表示的应用。

无监督缺陷检测方法

无监督缺陷检测方法提供了一种有前景的替代方法，特别适用于纺织品和颜色缺陷检测，因为它们不依赖于大型带注释的数据集。这些方法通常仅使用无缺陷图像训练生成模型，例如：

生成对抗网络（GANs）⁴⁴，自编码器（Autoencoders）和变分自编码器（VAEs）⁴⁵。在测试期间，训练好的模型处理包含缺陷的图像并重建这些测试图像的无缺陷版本。差值，即残差图，

1.5.2 在纺织品和颜色缺陷检测中的应用

基于目标检测的方法已被广泛应用于检测和定位纺织品及颜色缺陷，解决了纺织品制造中的关键质量控制挑战。Li等人¹⁴总结了若干项使用一阶段和两阶段检测器进行织物缺陷检测的研究。本节对这些方法进行了更详细的分析，重点介绍了关键贡献、进展及其实际应用。

一阶段方法

一阶段检测器已被广泛应用于实时场景，包括视频分析和流处理。YOLO系列模型因其能够以超过每秒30帧的速度处理图像同时保持检测精度而特别受欢迎。

• Guosheng等人⁴⁶采用YOLO模型检测经编针织物的缺陷和色差。使用包含12，000张图像的数据集，训练该模型识别五种缺陷类型：污渍、点状缺陷、破洞、断纱和折痕。应用CMC（2：1）公式计算色差，展示了该模型的实际应用价值。

• Zhang等人⁴⁷采用YOLOv2（YOLO9000）检测色织物的缺陷。他们手动将276张缺陷图像标注为三类------纬纱、结头和破洞，并成功训练模型实现了可靠的缺陷检测。

• Jing等人⁴⁸提出了一种基于YOLOv3并整合了特征金字塔网络（FPN）的框架，以提取多尺度特征信息。他们的模型在2300张图像（三种缺陷类型：划痕、异物和折痕）上进行了训练，并在额外的4000张图像（三种类型：带纱、断头和破洞）上进行了测试。增强FPN的YOLOv3展示了对不同尺度缺陷改进的准确性。

• Sujee等人⁴⁹使用1000张带标签的图像比较了YOLOv2和简化版YOLOv3的性能。该研究涵盖了六种缺陷类型：锈斑、油污、破洞、脱纬、油渍和断丝。结果显示两个框架的性能相当，验证了它们在缺陷检测任务中的适用性。

• YOLO的先进版本------YOLOv4和YOLOv5------已被应用于纺织品缺陷检测。Dlamini等人⁵⁰在彩色织物图像上使用YOLOv4识别八种缺陷类型，包括折痕、断纱和污渍。类似地，Zheng等人⁵¹在3622张图像上使用YOLOv5，证明了该模型在整个特征图上准确检测缺陷的有效性。

• 最近，几项研究已将YOLOv7和YOLOv8应用于纺织品缺陷检测。Li等人⁵²开发了一种轻量级、高效的YOLOv7-tiny变体，专门针对实时检测的边缘计算约束进行了定制。Wang等人⁵³通过自适应形状卷积和大核空间建模增强了YOLOv8，以更好地捕获精细和细长的缺陷模式，实现了mAP@50提高5%。Zhou等人⁵⁴通过引入动态蛇形卷积和注意力机制进一步改进了YOLOv8，使mAP@0.5增加了约2.9%，并减少了纹理背景中的误报。验证了它们在缺陷检测任务中的适用性。

除了基于YOLO的方法外，其他一阶段方法也已得到应用：

• **SSD**：Liu等人⁵⁵通过添加额外的卷积层以提取细节并应用数据增强技术，改进了SSD检测小缺陷的性能。He等人⁵⁶通过用DenseNet替换VGG16骨干网络，提高了SSD在包含无纹理、条纹和格子织物的数据集上的检测精度。

• **RetinaNet**：Wu等人⁵⁷整合了ResNet和FPN作为RetinaNet的骨干网络，以改进小缺陷检测。该架构包括两个子网络：一个用于目标分类，另一个用于边界框回归。

• **EfficientDet**：Song等人⁵⁸采用EfficientNet作为骨干网络和BiFPN来实现轻量级但高精度的检测。他们的框架在五个自建的织物缺陷数据集上进行了测试，取得了有希望的结果。

• **RefineDet**：Xie和Wu⁵⁹通过引入全卷积通道注意力（FCCA）模块和自底向上路径增强传输连接块（BA-TCB）改进了RefineDet，增强了缺陷定位精度。评估使用了多个基准数据集，包括TILDA、DAGM2007和香港图案纹理数据库。

基于YOLO的方法因其卓越的速度和实时能力而脱颖而出，而基于SSD的方法在准确性和效率之间取得了平衡。RetinaNet擅长检测小尺度缺陷，而EfficientDet提供了具有显著准确性的轻量级架构。然而，为了验证优越性，跨研究进行公平比较需要标准化的数据集和评估指标。

两阶段方法

两阶段方法，特别是基于Faster R-CNN及其变体的方法，也已广泛应用于纺织品缺陷检测：

• Liu等人⁶⁰提出了一个整合了软非极大值抑制（soft-NMS）的Faster R-CNN框架，以改进边界框抑制。在TILDA和香港图案纹理数据集上的实验取得了有希望的检测结果。

• Wei等人⁶¹采用了一个三部分框架，包括特征提取、用于区域提议的RPN和用于分类的全连接层。使用从工厂收集的包含六种缺陷类别的数据，该框架展示了稳健的性能。

• Zhou等人⁶²和An等人⁶³分别将Faster R-CNN应用于DAGM2007和天池织物数据集，对破洞、污渍和粗节等缺陷实现了可靠的检测。

• Wu等人⁶⁴开发了一个宽而轻的Faster R-CNN框架，并在TILDA、暗红色织物和格子织物上进行了测试。他们的模型有效检测了七种缺陷类型，包括断纱、结头和划痕。

• Peng等人⁶⁵将Faster R-CNN的应用扩展到平纹和牛仔布织物。使用包含超过10，000张缺陷图像的数据集，他们的框架在20个缺陷类别上实现了高检测精度。

Cascade R-CNN是Faster R-CNN的一个变体，也被探索用于织物缺陷检测：

• Zhao等人⁶⁶整合了Inception-ResNet-v2和Cascade R-CNN来检测有缺陷的织物，在7000张图像上实现了高精度。

• Li和Li⁶⁷通过引入soft-NMS和用于锚框优化的维度聚类等技术增强了Cascade R-CNN，在一个包含17种缺陷类型的数据集上取得了优越的性能。

• Xu等人⁶⁸将Cascade R-CNN应用于DAGM2007数据集，展示了对小型和复杂缺陷改进的准确性。

视觉Transformer（ViT）

尽管非常有前景，但基于ViT的方法在纺织品缺陷检测研究中的应用仍然有限。

Yang等人⁶⁹提出了一种整合了CNN和ViT架构的显著性模型，以增强织物缺陷检测任务中的检测灵敏度和定位性能。

无监督方法

无监督方法为应对标注数据有限的挑战提供了解决方案。GANs和自编码器等技术已被广泛探索：

• Zhang等人⁷⁰开发了一种U型去噪卷积自编码器（UDCAE），用于重建无缺陷图像并通过残差图识别缺陷。

• Zhang等人⁷¹引入了AFFGAN框架，整合了FPN和注意力机制，以克服传统自编码器的局限性。

• Zhang等人⁷²提出了一种注意力门控U型重建网络（AGUR-Net），用于彩色图案织物的缺陷检测，有效处理了色差和污渍。

• Zhang等人⁷³应用了双重注意力嵌入重建蒸馏（DAERD），一种教师-学生网络，改进了色织物的缺陷识别，展示了该框架对不同数据集的适应性。

• Zhang等人⁷⁴最近提出了一种新颖的基于多样嵌入的组合重建（DECR）框架，用于无监督彩色织物缺陷检测，在识别细微和复杂的纺织品缺陷方面展示了优越的准确性和泛化能力。

性能与比较分析

目标检测DL网络本质上是复杂的系统，各种超参数会显著影响性能。例如，负责特征提取的骨干网络的选择会影响检测过程的准确性和效率。

在一项广泛的研究中，Huang等人⁷⁵比较了不同目标检测算法的性能。他们的实验揭示了以下关键见解：

• 两阶段方法通常产生更准确的结果，但需要更长的训练和推理运行时间。

• 一阶段方法更快且计算效率更高，但其准确性可能落后于两阶段方法。然而，采用先进的骨干网络进行特征提取可以提高其性能，但会牺牲运行时效率。

图2 两阶段（Faster R-CNN）和一阶段（SSD）检测器的平均精度均值（mAP）与GPU时间对比。图片摘自Huang等人⁷⁵。**

最近的进展进一步缩小了一阶段和两阶段方法之间的差距。例如：

• FPN⁷⁶增强了跨多尺度的特征提取，提高了一阶段检测器的性能。

• ResNeXt⁷⁷，一种新的骨干网络架构，引入了更高效的构建块，在保持计算竞争力的同时进一步提高了准确性。

这些发展使得一阶段方法在准确性和运行时间性能方面越来越能与两阶段方法竞争。图2显示了不同架构在性能和运行时间方面的比较。

基于目标检测方法的优缺点可以列举如下：

优点：

1. 目标检测方法（一阶段和两阶段）有效地以高精度识别和定位缺陷。

2. SOTA框架支持实时检测，加速了质量控制过程。

缺点：

1. 高硬件成本：实时系统需要高速相机和抗振装置，这对纺织厂来说可能成本过高。⁷⁸

2. 训练数据需求：目标检测方法依赖于大型带标签的数据集，而这些数据集可能并非总是可用。

3. 小目标检测挑战：由于上下文不足、类别不平衡和特征信息有限，检测破洞和污渍等小缺陷仍然困难。³¹

无监督方法通过减少对标记数据的需求和处理类别不平衡问题，解决了其中一些挑战。然而，它们对不同图案和纹理的更广泛适用性需要进一步研究。

总之，基于目标检测的方法为纺织品和颜色缺陷检测提供了显著优势，因为它们能够同时对缺陷进行分类和定位。两阶段方法，特别是R-CNN系列，提供高检测精度但计算量大。一阶段方法，如SSD、YOLO和EfficientDet，提供更快的性能，使其适用于实时缺陷检测。最近的进展，包括ViT和焦点损失函数，进一步弥合了一阶段和两阶段方法之间的性能差距。无监督方法虽然不太常见，但利用生成模型，在标记数据稀缺时提供了有前景的解决方案。检测方法的选择取决于具体的应用需求，如速度、准确性和训练数据的可用性，这突显了在纺织品和颜色缺陷检测中需要定制化解决方案。

1.6 图像分割

图像分割是一项基础的CV任务，用于通过将具有某些特征的像素分配类别标签来将图像划分为有意义的区域。它通过在像素级别定位缺陷，在织物缺陷检测中起着至关重要的作用。图像分割可分为两个主要子类别：

1. 语义分割：此方法根据对象类别对图像中的像素进行聚类。与目标检测不同，语义分割为每个像素分配类别标签，但不区分对象的各个实例。

2. 实例分割：一种结合了目标检测和语义分割的混合方法。实例分割检测图像中的所有对象，并为每个检测到的对象（实例）在像素级别分配类别标签。

1.6.1 语义分割模型

已经开发了几种DL架构来处理语义分割任务：

1. **全卷积网络（FCN）** ：由Long等人⁸提出，FCN标志着语义分割领域的重大突破。该架构用卷积层替换了传统CNN中的全连接层，以实现像素级分类。FCN利用下采样路径提取特征，并利用上采样路径进行像素级定位。为了恢复下采样过程中丢失的空间信息，引入了从ResNet架构借鉴的跳跃连接，从而提高了分割性能。

2. **U-Net**：U-Net最初为生物医学图像分割而设计，由Ronneberger等人⁹引入。该架构具有对称的U形设计，包括一个收缩路径（下采样）和一个扩展路径（上采样）。收缩路径遵循传统的CNN架构来捕获上下文特征，而扩展路径通过一系列上采样操作重建分割图。U-Net的跳跃连接允许细粒度的空间信息从收缩路径传递到扩展路径，从而实现精确的像素级预测。

文本\[72, 874, 483, 940, 533, 61, 922, 176]

3. **SegNet**：Badrinarayanan等人⁷⁹提出了SegNet，一种为语义分割量身定制的编码器-解码器架构。编码器采用VGG16的13个卷积层来生成特征图，而解码器将低分辨率特征映射回全分辨率特征图以进行像素级分类。通过存储编码器中的池化索引，SegNet在上采样期间避免了冗余计算。比较评估表明，SegNet在多个基准数据集上的表现优于FCN。

4. **DeepLabv3和DeepLabv3+** ：由Chen等人⁸⁰，⁸¹提出，DeepLabv3及其改进版本DeepLabv3+解决了在不同尺度上分割对象的挑战。这些架构利用空洞（扩张）卷积来捕获多尺度上下文信息，而不会增加计算成本。DeepLabv3+通过整合一个解码器模块来进一步细化结果，特别是在对象边缘，从而改进了边界分割。

5. **金字塔场景解析网络（PSPNet）** ：Zhao等人⁸²开发了PSPNet，它引入了一个金字塔池化模块来聚合多尺度上下文信息。通过在不同空间尺度上应用平均池化并将输出与全局特征连接起来，PSPNet增强了像素级预测的可靠性，特别是对于复杂场景。

1.6.2 实例分割模型

实例分割结合了目标检测和像素级分类，使其对于需要同时定位和分割单个对象的任务特别有用。与目标检测类似，实例分割方法可分为两阶段和一阶段方法：

1. **两阶段方法**：

**Mask R-CNN**：He等人⁸³扩展了Faster R-CNN，引入了Mask R-CNN，这是实例分割的开创性框架之一。Mask R-CNN在Faster R-CNN架构中添加了一个专用的掩膜预测分支。该分支为每个检测到的对象生成二值掩膜，实现像素级实例分割。Mask R-CNN以其准确性和可靠性而广受认可；然而，由于额外的掩膜预测步骤，其推理和训练速度相对较慢。

2. **一阶段方法**：

为了解决Mask R-CNN的速度限制，已经开发了几种一阶段架构以实现实时实例分割：

**YOLACT（you only look at coefficients）**：由Bolya等人⁸⁴提出，YOLACT通过将实例掩膜生成与检测解耦来实现实时性能。

---

**页码 10**

该方法生成原型掩膜，并将其与学习到的掩膜系数相结合，以高效地生成实例掩膜。

**SOLO（segmenting objects by locations）**：Wang等人⁸⁵引入了SOLO，它将实例分割重新定义为一个基于对象位置的像素分类问题。SOLO通过直接在像素级别预测实例掩膜，消除了对边界框的需求。

**SOLOv2**：作为SOLO的改进版本，SOLOv2引入了动态卷积，以在保持实时能力的同时提高掩膜预测的准确性。

虽然Mask R-CNN等两阶段方法已在各个领域取得成功，但其较慢的运行时间限制了其在实时缺陷检测应用中的使用。YOLACT和SOLO等一阶段方法已经解决了这一限制；然而，迄今为止，还没有报道称在纺织品缺陷检测中利用一阶段实例分割方法的研究。

1.6.3 图像分割在纺织品缺陷检测中的应用

研究人员通过修改SOTA分割架构或在方法概念基础上构建，采用图像分割方法来解决纺织品缺陷检测任务。表2总结了纺织品缺陷检测中使用的架构和概念。

图像分割在纺织品缺陷检测中的关键应用包括：

1. 基于FCN的方法：

• Weninger等人⁸⁷开发了一种检测平纹机织物中织造缺陷的方法。该方法利用FCN分割织物图像中的单个纬纱和经纱浮点，然后进行统计分析以识别缺陷。数据集由

**表2 纺织品缺陷检测研究中采用的架构和概念。**

<table>

<thead>

<tr>

<th>语义分割</th>

<th>实例分割</th>

</tr>

</thead>

<tbody>

<tr>

<td>FCNs⁸</td>

<td>Mask R-CNN⁸³</td>

</tr>

<tr>

<td>U-Net⁹</td>

<td></td>

</tr>

<tr>

<td>SegNet⁷⁹</td>

<td></td>

</tr>

<tr>

<td>DeepLabV3⁸⁰， DeepLabV3+⁸¹</td>

<td></td>

</tr>

<tr>

<td>PSPNet⁸²</td>

<td></td>

</tr>

</tbody>

</table>

1431张九种不同平纹织物的图像，包括89个缺陷。

• Liu等人⁸⁸通过将注意力机制整合到骨干网络中来增强FCN，以改进特征提取。他们的模型在一个包含2000张缺陷织物图像（包括划痕、污渍和异物）的数据集上进行了训练和测试，取得了改进的性能。

2. **基于U-Net的方法**：

• Zhang等人⁷⁰提出了一种UDCAE来重建无缺陷图像并通过残差图识别缺陷。

• Sizyakin等人⁹⁰采用U-Net，并辅以图像增强预处理步骤以提高输入质量，使用TILDA数据集验证了他们的方法。

• Jing等人⁹¹设计了一种名为Mobile-Unet的混合U-Net架构，结合了用于下采样的MobileNetV2和用于上采样的五个反卷积层及四个倒置残差块。该模型在两个包含超过1300张图像的织物数据集上进行了测试，与SegNet和标准U-Net相比，实现了更短的运行时间和相当的准确性。

3. **编码器-解码器网络**：

• Wang等人⁹²引入了一种增强的编码器-解码器网络SDDet，具有分层监督，以有效捕获高级语义和低级细节。他们自建的包含1600张图像的数据集证明了该方法在实际应用中的可行性，并有望整合到工业生产线上。

4. **基于DeepLabV3+的方法**：

• Huang和Xiang⁹³将DeepLabV3+与GhostNet⁹⁴结合用于特征提取，在TILDA和香港图案纹理数据库等数据集上提高了分割性能。

• Nguyen⁹⁵应用DeepLabV3+检测有缺陷的缝纫线迹，使用了一个自建的包含900张图像的数据集进行训练、评估和测试。

5. **基于PSPNet的方法**：

• Guo等人⁹⁶通过将压缩激励（SE）模块整合到PSPNet中，开发了一种用于三维编织复合材料缺陷的分割方法。SE的加入提高了分割小缺陷的性能，优于U-Net、SegNet和FCN等其他语义分割模型。

6. **基于实例分割的方法**：

• Yao等人⁹⁷采用Mask R-CNN进行织物缺陷检测，并整合了注意力机制以改进特征提取。该模型在1164张自建图像（包括39张缺陷图像）上进行了训练，

---

**页码 11**

**1.6.4 | 基于分割方法的挑战**

并展示了在检测织物缺陷方面的有效性。Revathy和Kaliavani⁹⁸开发了一种改进的Mask R-CNN（IM-RCNN）框架，该框架整合了图像去噪和基于边缘的特征增强，以提高在六种织物缺陷类别上的检测准确性。

总之，语义分割方法，特别是基于U-Net、FCN和DeepLabV3+的方法，因其能够在像素级别定位缺陷而被广泛应用于纺织品缺陷检测。实例分割，以Mask R-CNN为代表，也在缺陷检测任务中显示出有希望的结果，尽管其使用仍限于语义分割。

1.6.4 基于分割方法的挑战

虽然基于图像分割的方法能够实现准确的缺陷检测和像素级的精确定位，但它们在纺织品生产和着色过程中的实际实施面临若干挑战：

• **计算资源需求**：训练和部署分割模型，特别是那些具有复杂架构的模型，需要大量的计算资源。Guo等人⁹⁹和Lateef与Ruichek¹⁰⁰强调，研究人员必须考虑模型性能和计算效率之间的权衡。高端硬件（例如GPU）通常是处理分割网络增加的复杂性所必需的。

• **数据可用性和质量**：与目标检测方法类似，图像分割模型需要大量高质量的带标签数据集才能进行有效训练。为纺织品缺陷收集和标注此类数据集可能非常耗费资源。在进行训练实验之前，研究人员必须仔细规划图像采集过程，以确保足够的数据可用性。

• **实时应用限制**：由于其计算需求，语义分割模型通常难以实现实时性能。Lateef和Ruichek¹⁰⁰强调了运行时间和准确性之间的权衡，许多模型无法满足实时纺织品生产线的速度要求。

• **对不利条件的脆弱性**：当图像在变化条件下（如光照不一致、传感器噪声或非标准视角）捕获时，分割精度可能会显著下降。例如，损坏的输入数据可能导致假阳性（无缺陷织物被错误标记为有缺陷）或假阴性（实际缺陷被忽略）。这些错误可能会增加纺织制造商的运营成本，特别是在对成本敏感的环境中。

• **小缺陷检测**：小缺陷，如针孔、细划痕或轻微污渍，对分割模型构成了独特的挑战。Guo等人⁹⁹指出，检测小物体通常受到特征信息不足、上下文有限和类别不平衡的影响。如果没有仔细的预处理和模型优化，分割方法可能难以区分小缺陷和背景纹理。

假阳性（无缺陷织物被错误标记为有缺陷）或假阴性（实际缺陷被忽略）。这些错误可能会增加纺织制造商的运营成本，特别是在对成本敏感的环境中。小缺陷检测：小缺陷，如针孔、细划痕或轻微污渍，对分割模型构成了独特的挑战。Guo等人⁹⁹指出，检测小物体通常受到特征信息不足、上下文有限和类别不平衡的影响。如果没有仔细的预处理和模型优化，分割方法可能难以区分小缺陷和背景纹理。

因此，图像分割方法提供了纺织品缺陷的精确定位，在纺织品生产质量控制方面具有巨大潜力。然而，计算复杂性、数据可用性、实时性能和对不利条件的敏感性等挑战必须得到解决，才能使得基于分割的方法在工业环境中得到更广泛的采用。

语义分割模型，如FCN、U-Net和DeepLabv3+，被广泛用于像素级分类任务，并且对于纺织品缺陷检测（尤其是识别缺陷区域）可能非常有效。FCN和U-Net因其恢复细粒度空间信息的能力而特别值得关注，而DeepLabv3+和PSPNet擅长处理多尺度上下文信息。

实例分割作为一种混合方法，通过实现单个缺陷的精确和定位分割，在纺织品缺陷检测方面具有巨大潜力。虽然Mask R-CNN仍然是准确性的基准，但YOLACT和SOLO等实时方法为需要高速缺陷检测的工业应用提供了有前景的替代方案。然而，需要进一步研究探索一阶段实例分割模型在纺织品领域的应用。未来的研究应侧重于针对实时应用优化分割模型，提高其对变化条件的鲁棒性，并开发能够检测小缺陷而不牺牲准确性的轻量级架构。

1.7 纺织品和颜色缺陷的数据集

纺织品缺陷检测研究主要依赖于公开可用的数据库和自定义创建的数据集。这些数据集包括机织物和针织物结构，涵盖了20多种典型缺陷类型，如破洞、撕裂、结头、斑点和颜色变化。

---

**页码 12**

**表3 织物缺陷数据集概览。**

<table>

<thead>

<tr>

<th>数据集名称</th>

<th>数据集大小^a</th>

<th>分辨率</th>

<th>缺陷类型</th>

<th>色彩空间</th>

</tr>

</thead>

<tbody>

<tr>

<td>TILDA</td>

<td>3200</td>

<td>768 × 512</td>

<td>机织/针织</td>

<td>灰度</td>

</tr>

<tr>

<td>香港图案</td>

<td>336 (171)</td>

<td>256 × 256</td>

<td>机织/针织</td>

<td>灰度</td>

</tr>

<tr>

<td>天池</td>

<td>9576 (5913)</td>

<td>多种</td>

<td>机织/针织/着色</td>

<td>RGB</td>

</tr>

<tr>

<td>DAGM2007</td>

<td>2300</td>

<td>512 × 512</td>

<td>合成缺陷</td>

<td>灰度</td>

</tr>

<tr>

<td>YDFID-1</td>

<td>3501 (312)</td>

<td>512 × 512</td>

<td>机织/针织/着色</td>

<td>RGB</td>

</tr>

<tr>

<td>YDFID-2</td>

<td>3830 (330)</td>

<td>512 × 512</td>

<td>机织/针织/着色</td>

<td>RGB</td>

</tr>

<tr>

<td>ZJU-Leaper</td>

<td>98，777 (27，650)</td>

<td>512 × 512</td>

<td>机织/针织/着色</td>

<td>RGB</td>

</tr>

</tbody>

</table>

^a 括号中的数字表示包含缺陷的图像数量。

广泛使用的公共数据集包括TILDA数据集（附录A.7）、香港图案纹理数据库（附录A.8）、DAGM2007数据集（附录A.9）和天池织物缺陷数据集（附录A.10）。此外，像YDFID-1（附录A.11）、YDFID-2（附录A.12）和ZJU-Leaper（附录A.13）等定制数据集也在近期的研究中被使用。表3提供了这些数据集的概览，包括它们的大小、图像分辨率、缺陷类型和色彩空间。

2 识别着色过程中的缺陷

2.1 常见的着色缺陷

几项研究¹⁰¹⁻¹⁰⁵结合学术研究和染色专家的实践经验，确定了着色过程中最常见的缺陷。表4总结了常见的着色缺陷，从色差到机械损伤不等。

Kalav¹⁰⁶进一步详细列出了棉纤维常见的喷墨印花故障，这些故障是通过文献综述和专家反馈确定的。一些故障与染色相关问题重叠，如表5所示。

2.2 使用计算机视觉（CV）诊断着色缺陷

Kumar¹⁰⁷将应用于织物缺陷检测的传统CV技术进行了分类，可分类为以下类型：

1. **统计方法**：依赖图像统计信息来识别缺陷。

2. **频谱方法**：使用频域变换（例如，傅里叶或小波分析）。

**表4 着色过程导致的常见缺陷。**

<table>

<thead>

<tr>

<th>S1: 再现性差</th>

<th>S11: 停机、绳状或压力痕</th>

</tr>

</thead>

<tbody>

<tr>

<td>S2: 普遍不匀</td>

<td>S12: 局部损伤</td>

</tr>

<tr>

<td>S3: 色差</td>

<td>S13: 两面性</td>

</tr>

<tr>

<td>S4: 条纹或条带</td>

<td>S14: 手感差</td>

</tr>

<tr>

<td>S5: 得色量差</td>

<td>S15: 辊筒结皮</td>

</tr>

<tr>

<td>S6: 色调灰暗</td>

<td>S16: 缩水</td>

</tr>

<tr>

<td>S7: 斑点或污渍</td>

<td>S17: 黄变</td>

</tr>

<tr>

<td>S8: 结尾和尾影</td>

<td>S18: 热溶染色问题</td>

</tr>

<tr>

<td>S9: 机械强度降低</td>

<td>S19: 硬挺</td>

</tr>

<tr>

<td>S10: 外观变化</td>

<td>S20: 静电</td>

</tr>

</tbody>

</table>

**表5 常见的喷墨印花故障。**

<table>

<thead>

<tr>

<th>S1: 撞头</th>

<th>S8: 织物黄变</th>

</tr>

</thead>

<tbody>

<tr>

<td>S2: 缺色</td>

<td>S9: 耐摩擦色牢度差</td>

</tr>

<tr>

<td>S3: 颜色不正确或墨水滴落</td>

<td>S10: 耐洗色牢度差</td>

</tr>

<tr>

<td>S4: 条带</td>

<td>S11: 色差</td>

</tr>

<tr>

<td>S5: 变形或歪斜</td>

<td>S12: 清晰度差</td>

</tr>

<tr>

<td>S6: 墨水渗化或泳移</td>

<td>S13: 局部发白或发白区域</td>

</tr>

<tr>

<td>S7: 印花错位</td>

<td></td>

</tr>

</tbody>

</table>

3. **基于模型的方法**：采用机器学习或人工神经网络来识别模式。

Ngan等人¹⁰⁸和Hanbay等人¹²将这种分类扩展，增加了结构方法、混合方法和基于基元的方法等类别。每种技术都有其优缺点。

---

**页码 13**

**14 | Coloration Technology CUI ET AL.**

**表6 包含着色缺陷的代表性研究。**

<table>

<thead>

<tr>

<th>研究</th>

<th>方法类别</th>

<th>方法类型</th>

<th>数据集和大小</th>

</tr>

</thead>

<tbody>

<tr>

<td>Tsai 等人¹⁰⁹</td>

<td>统计</td>

<td>灰度共现矩阵</td>

<td>50 块机织物</td>

</tr>

<tr>

<td>Mak 等人¹¹⁰</td>

<td>统计</td>

<td>数学形态学</td>

<td>78 块织物</td>

</tr>

<tr>

<td>Castellini 等人¹¹¹</td>

<td>频谱</td>

<td>傅里叶变换</td>

<td>28 块机织物</td>

</tr>

<tr>

<td>Yang 等人¹¹²</td>

<td>频谱</td>

<td>小波变换</td>

<td>960 块织物</td>

</tr>

<tr>

<td>Mak 和 Peng¹¹³</td>

<td>频谱</td>

<td>Gabor 滤波器</td>

<td>78 块织物</td>

</tr>

<tr>

<td>Ghosh 等人¹¹⁴</td>

<td>基于模型</td>

<td>支持向量机（SVM）</td>

<td>50 块机织物</td>

</tr>

<tr>

<td>Kuo 等人¹¹⁵</td>

<td>基于模型</td>

<td>人工神经网络（ANNs）</td>

<td>160 块织物</td>

</tr>

</tbody>

</table>

与DL方法类似，许多应用传统CV技术的研究未能明确区分一般纺织品缺陷和着色缺陷。只有有限数量的研究专门针对着色缺陷，如表6所总结。

因此，虽然DL和CV技术在织物缺陷检测方面取得了显著进展，但它们在着色特定缺陷的应用方面仍然存在明显的差距。目前大多数方法都集中在一般缺陷上，如破洞、划痕或污渍，而没有明确解决染色、印花和整理过程中遇到的更广泛的着色相关问题。未来的研究应优先开发能够检测和诊断在染色、印花和整理过程中遇到的各种缺陷的专业模型。

2.3 | 使用专家系统（ES）诊断着色缺陷

除了基于CV和DL的方法外，专家系统（ES）为诊断着色缺陷提供了另一种途径。ES整合了领域知识和计算技术来解决特定问题，包括纺织着色缺陷。

Lin等人¹¹⁶探讨了模糊逻辑在诊断机织物缺陷中的应用，展示了其在自动化质量控制过程中的潜力。在此基础上，Choi等人¹¹⁷使用模糊推理理论开发了一种缺陷检测方法，并提出了构建用于检测机织物缺陷的ES的综合步骤。

Shamey和Hussain¹¹⁸详细回顾了ES的早期发展，总结了其基本概念、组成部分、优势和局限性。¹¹⁹他们提出了一种系统的、基于知识的ES，用于诊断和解决棉染色问题。¹²⁰，¹²¹其ES的架构包括三个主要组成部分：

1. **知识库**：包含用于诊断缺陷的规则和专家知识。

2. **推理引擎**：处理规则以得出逻辑结论。

3. **用户界面**：促进系统和用户之间的交互。

该系统的诊断工作流程包括四个核心模块：诊断、过程控制、修正和建议，确保了缺陷识别和解决的结构化方法。

Shamey及其同事进一步将其ES扩展到解决各种纤维类型的染色问题，包括聚酯¹⁰²、涤纶/纤维素（PES/CELL）混纺织物¹⁰³和蛋白质纤维¹⁰⁴，¹⁰⁵，并采用类似的方法针对棉纤维的喷墨印花故障，解决了诸如印花错位、条带和墨水渗化等挑战。¹⁰⁶

2.4 | CV、ES和DL方法的比较分析

用于诊断着色缺陷的三种主要方法------CV、ES和DL------各有其独特的优势和局限性，使其适用于纺织品和着色质量控制的不同场景。表7简要比较了这三种方法。下面进行对比分析。

1. CV：

• **优势**：基于CV的方法计算效率高，与DL方法相比需要的资源更少。对于简单的缺陷类型，尤其是在数据集有限或获取成本高昂时，它们表现良好。

• **局限性**：CV方法通常是参数特定的，需要针对不同的缺陷特征进行手动调整。因此，这些方法在处理复杂或多样化的模式时较为困难，并且在不同的缺陷类型上泛化能力差。

---

**页码 14**

**表7 用于诊断着色缺陷的计算机视觉（CV）、专家系统（ES）和深度学习（DL）方法的比较分析。**

<table>

<thead>

<tr>

<th>方法</th>

<th>优势</th>

<th>局限性</th>

</tr>

</thead>

<tbody>

<tr>

<td>计算机视觉</td>

<td>计算高效；适用于小数据集</td>

<td>对复杂模式的适应性有限；需要手动调整参数</td>

</tr>

<tr>

<td>专家系统</td>

<td>具有预定义规则的高准确性；结果可解释</td>

<td>对新颖缺陷不灵活；知识库开发资源密集</td>

</tr>

<tr>

<td>深度学习</td>

<td>处理复杂和多样化的缺陷；从训练数据中自主学习</td>

<td>计算密集；需要大量数据集和高处理能力</td>

</tr>

</tbody>

</table>

2. **ESs**：

• **优势**：ES方法，例如利用模糊逻辑和基于规则的系统，计算效率高，并且在应用于预定义的缺陷类型时可以达到高准确性。这些系统依赖于领域知识，确保结果逻辑且可解释。

• **局限性**：对预定义规则和知识库的依赖使得ES方法在面对新颖或意外的缺陷时不够灵活。开发全面的知识库是资源密集型的，并且需要领域专家的大量投入。

3. **DL**：

• **优势**：DL方法擅长处理多样化和复杂的缺陷类型，包括着色缺陷，通过从训练数据中自主学习特征。与CV和ES方法不同，DL算法不需要先验的领域特定规则或手动参数调整。它们对于复杂的织物图案表现出高准确性和适应性。

• **局限性**：DL方法是计算密集型的，需要大量的处理能力和高质量的大数据集。训练稳健的模型可能成本高昂且耗时，这限制了它们在资源受限的纺织品生产环境中的采用。

3 | 结论与研究机会

本综述对基于DL的纺织品和着色缺陷检测方法进行了全面分析，

将方法分为三个主要子组：图像分类、目标检测和图像分割。每种方法都有其独特的优势：

• **图像分类**预测输入图像的类别标签。

• **目标检测**使用边界框对对象进行分类和定位。

• **图像分割**在像素级别分配类别标签以实现精确定位。

研究人员已成功应用这些方法检测各种缺陷，逐步提高了检测的准确性和效率。DL架构的进步，包括CNN、U-Net、Mask R-CNN和YOLO变体，显著增强了纺织品检测系统的鲁棒性和可扩展性。鉴于基于DL的框架的快速发展，对新架构和方法的持续探索将进一步改进纺织品和着色缺陷检测技术。未来的研究机会包括：

1. **基准数据集**：获取标准化和可共享的数据集对研究人员来说仍然是一个挑战。公开可用的纺织品缺陷数据集，如TILDA、DAGM2007和天池，范围有限或需要特殊许可。开发一个集中的纺织品缺陷数据库------类似于MS COCO或PASCAL VOC基准（附录A.14和A.15）------将能够实现跨DL架构的公平比较，并促进合作研究。

2. **实时分析**：很少有研究以速度（每秒帧数）和准确性（mAP）来评估所提方法的实时性能。未来的研究应分析模型在实际生产环境中的性能，识别速度和准确性之间的权衡，以促进其在纺织品制造过程中的采用。

3. **关注着色缺陷**：当前基于DL的方法主要针对一般纺织品缺陷，对着色特定缺陷的关注有限。鉴于染色和印花过程中产生的缺陷（例如，条纹、色差和污渍）的多样性，需要针对该领域定制的专业模型。

4. **新兴DL架构**：新的DL架构，如一阶段实例分割模型（例如，SOLO、SOLOv2、YOLACT），在纺织品和颜色缺陷检测中仍未得到充分探索。此外，ViT和MLP-mixer等SOTA方法为传统的基于CNN的架构提供了有前景的替代方案，有可能提高性能和效率。

5. **人工智能（AI）实现持续改进**：AI和DL模型在增强纺织品质量控制流程方面具有巨大潜力。

---

**页码 15**

这些模型可以快速分析高分辨率图像，识别缺陷，并通过持续学习随时间适应。自动化缺陷检测减少了人为错误，提高了生产效率，并确保了产品质量的一致性。

总之，DL模型为纺织品和着色缺陷检测提供了变革性的解决方案，提供了卓越的准确性和效率。通过解决当前的局限性------如数据集可用性、实时性能和对着色缺陷的关注------未来的研究可以释放AI在纺织品制造中的全部潜力。开发基准数据集和探索新兴DL架构的合作努力将进一步推动创新，为工业应用实现稳健且可扩展的缺陷检测系统。

资金信息

本研究未获得任何公共、商业或非营利部门的资助机构的特定资助。

利益冲突声明

作者声明没有利益冲突。

数据可用性声明

本研究未生成或分析任何数据集，因此数据共享不适用于本文。

ORCID

Renzo Shamey https://orcid.org/0000-0003-2458-6336

参考文献

（参考文献列表过长，为保持清晰度，已省略完整翻译，但保留编号和基本格式。可根据需要单独提供。）

1. O'Mahony N, Campbell S, Carvalho A, et al. Deep learning vs. traditional computer vision. Advances in Computer Vision: Proceedings of the 2019 Computer Vision Conference (CVC), Volume 1. Springer International Publishing; 2020:128-144.

2. Wang H, Raj B. On the origin of deep learning. arXiv. Preprint. 2017.

3. LeCun Y. Generalization and network design strategies. In: Pfeifer R, Schreter Z, Fogelman-Soulie F, Steels L, eds. Connectionism in Perspective. Elsevier; 1989:143-155.

4. LeCun Y, Bengio Y. Convolutional networks for images, speech, and time series. In: Arbib MA, ed. The Handbook of Brain Theory and Neural Networks. MIT Press; 1995:3361-3366.

5. Wang S, Su Z. Metamorphic testing for object detection systems. arXiv. Preprint. 2019.

6. Krizhevsky A, Sutskever I, Hinton GE. ImageNet classification with deep convolutional neural networks. Adv Neural Inf Process Syst. 2012;25:1097-1105.

7. Girshick R, Donahue J, Darrell T, Malik J. Rich feature hierarchies for accurate object detection and semantic segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE; 2014: 580-587.

8. Long J, Shelhamer E, Darrell T. Fully convolutional networks for semantic segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE; 2015:3431-3440.

9. Ronneberger O, Fischer P, Brox T. U-net: convolutional networks for biomedical image segmentation. In: Navab N, Hornegger J, Wells WM, Frangi AF, eds. Medical Image Computing and Computer-Assisted Intervention (MICCAI 2015). Springer; 2015:234-241.

10. Wen JJ, Wong WK. Fundamentals of common computer vision techniques for fashion textile modeling, recognition, and retrieval. Applications of Computer Vision in Fashion and Textiles. Elsevier; 2018:17-44.

11. Jiang JL, Wong WK. Fundamentals of common computer vision techniques for textile quality control. Applications of Computer Vision in Fashion and Textiles. Elsevier; 2018:3-15.

12. Hanbay K, Talu MF, Ozgüven ÖF. Fabric defect detection systems and methods---a systematic literature review. Optik. 2016;127(24):11960-11973. doi:10.1016/j.ijleo.2016.09.110

13. Silvestre-Blanes J, Albero T, Miralles I, Pérez-Llorens R, Moreno J. A public fabric database for defect detection methods and results. Autex Res J. 2019;19(4):363-374. doi:10.2478/aut-2019-0035

14. Li C, Li J, Li Y, He L, Fu X, Chen J. Fabric defect detection in textile manufacturing: a survey of the state of the art. Secur Commun Netw. 2021;202:1-13.

15. Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. arXiv. Preprint. 2014.

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

17. Szegedy C, Liu W, Jia Y, et al. Going deeper with convolutions. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE; 2015:1-9.

18. Szegedy C, Vanhoucke V, Ioffe S, Shlens J, Wojna Z. Rethinking the inception architecture for computer vision. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE; 2016:2818-2826.

19. Dosovitskiy A, Beyer L, Kolesnikov A, et al. An image is worth \(16 \times 16\) words: transformers for image recognition at scale. arXiv. Preprint. 2020.

20. Raghu M, Unterthiner T, Kornblith S, Zhang C, Dosovitskiy A. Do vision transformers see like convolutional neural networks? Adv Neural Inf Process Syst. 2021;34:12116-12128.

21. Tolstikhin IO, Houlsby N, Kolesnikov A, et al. MLP-mixer: an all-MLP architecture for vision. Adv Neural Inf Process Syst. 2021;34:24261-24272.

22. Jing J, Dong A, Li P, Zhang K. Yarn-dyed fabric defect classification based on convolutional neural network. Opt Eng. 2017; 56(9):093104. doi:10.1117/1.OE.56.9.093104

23. Jeyaraj PR, Nadar ERS. Computer vision for automatic detection and classification of fabric defect employing deep learning algorithm. Int J Clothing Sci Technol. 2019;31(4):510-521. doi:10.1108/IJCSIT-11-2018-0155

---

**页码 16**

24. Jing J, Ma H, Zhang H. Automatic fabric defect detection using a deep convolutional neural network. Color Technol. 2019;135(3):213-223. doi:10.1111/cote.12412

25. Wei B, Hao K, Tang X, Ding Y. A new method using the convolutional neural network with compressive sensing for fabric defect classification based on small sample sizes. Text Res J. 2019;89(17):3539-3555. doi:10.1177/0040517518825436

26. Jeyaraj PR, Nadar ERS. Effective textile quality processing and an accurate inspection system using the advanced deep learning technique. Text Res J. 2020;90(9-10):971-980. doi:10.1177/0040517519882536

27. Zhao X, Zhang M, Zhang J. Ensemble learning-based CNN for textile fabric defects classification. Int J Clothing Sci Technol. 2021;33(4):664-678. doi:10.1108/IJCTST-10-2020-0152

28. Ouyang W, Xu B, Hou J, Yuan X. Fabric defect detection using activation layer embedded convolutional neural network. IEEE Access. 2019;7:70130-70140. doi:10.1109/ACCESS.2019.2919495

29. Zeiler MD, Fergus R. Visualizing and understanding convolutional networks. Computer Vision-ECCV 2014. Springer; 2014: 818-833.

30. Alzubaidi L, Zhang J, Humaidi AJ, et al. Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. J Big Data. 2021;8:1-74. doi:10.1186/s40537-021-00444-8

31. Liu Y, Sun P, Wergeles N, Shang Y. A survey and performance evaluation of deep learning methods for small object detection. Expert Syst Appl. 2021;172:114602. doi:10.1016/j.eswa.2021.114602

32. Girshick R. Fast R-CNN. Proceedings of the IEEE International Conference on Computer Vision (ICCV). IEEE; 2015:1440-1448.

33. Ren S, He K, Girshick R, Sun J. Faster R-CNN: towards real-time object detection with region proposal networks. Adv Neural Inf Process Syst. 2015;28:91-99.

34. Cai Z, Vasconcelos N. Cascade R-CNN: delving into high quality object detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE; 2018: 6154-6162.

35. Liu W, Anguelov D, Erhan D, et al. SSD: single shot multibox detector. Computer Vision-ECCV 2016. Springer; 2016:21-37.

36. Redmon J, Divvala S, Girshick R, Farhadi A. You only look once: unified, real-time object detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE; 2016:779-788.

37. Redmon J, Farhadi A. YOLO9000: Better, faster, stronger. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE; 2017:7263-7271.

38. Redmon J, Farhadi A. YOLOv3: An incremental improvement. arXiv. Preprint. 2018.

39. Bochkovskiy A, Wang C, Liao HM. YOLOv4: optimal speed and accuracy of object detection. arXiv. Preprint. 2020.

40. Fang Y, Liao B, Wang X, et al. You only look at one sequence: rethinking transformer in vision through object detection. Adv Neural Inf Process Syst. 2021;34:26183-26197.

41. Lin TY, Goyal P, Girshick R, He K, Dollar P. Focal loss for dense object detection. Proceedings of the IEEE International Conference on Computer Vision (ICCV). IEEE; 2017:2980-2988.

42. Zhang S, Wen L, Bian X, Lei Z, Li SZ. Single-shot refinement neural network for object detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE; 2018:4203-4212.

43. Tan M, Pang R, Le QV. EfficientDet: scalable and efficient object detection. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE; 2020: 10781-10790.

44. Goodfellow I, Pouget-Abadie J, Mirza M, et al. Generative adversarial nets. Adv Neural Inf Process Syst. 2014;27:2672-2680.

45. Kingma DP, Welling M. Auto-encoding variational bayes. arXiv. Preprint. 2013.

46. Guosheng X, Yang X, Zhiqi Y, Yize S. An intelligent defect detection system for warp-knitted fabric. Text Res J. 2022; 92(9-10):1394-1404. doi:10.1177/00405175211051425

47. Zhang HW, Zhang LJ, Li PF, Gu D. Yarn-dyed fabric defect detection with YOLOv2 based on deep convolution neural networks. IEEE 7th Data Driven Control and Learning Systems Conference (DDCLS). IEEE; 2018:170-174.

48. Jing J, Zhuo D, Zhang H, Liang Y, Zheng M. Fabric defect detection using the improved YOLOv3 model. J Eng Fibers Fabr. 2020;15:1-12. doi:10.1177/1558925020908268

49. Sujee R, Shanthosh D, Sudharsun L. Fabric defect detection using YOLOv2 and YOLOv3-tiny. Computational Intelligence in Data Science (ICCIDS 2020). Springer; 2020:196-204.

50. Dlamini S, Kao C, Su S, Kuo CJ. Development of a real-time machine vision system for functional textile fabric defect detection using a deep YOLOv4 model. Text Res J. 2022;92(5-6):675-690.

51. Zheng L, Wang X, Wang Q, Wang S, Liu X. A fabric defect detection method based on improved YOLOv5. 7th IEEE International Conference on Computer and Communications (ICCC). IEEE; 2021:620-624.

52. Li T, Shunqi M, Yishan S, et al. Research on fabric defect detection algorithm based on lightweight YOLOv7-tiny. J Nat Fibers. 2024;21(1):2352753. doi:10.1080/15440478.2023.2352753

53. Wang S, Xu Y, Zheng H, Li B. High-precision fabric defect detection via adaptive shape convolutions and large kernel spatial modeling. arXiv. Preprint. 2025.

54. Zhou L, Ma B, Dong Y, Yin Z, Lu F. DCFE-YOLO: a novel fabric defect detection method. PLoS One. 2025;20(1): e0314525. doi:10.1371/journal.pone.0314525

55. Liu Z, Liu S, Li C, Ding S, Dong Y. Fabric defects detection based on SSD. Proceedings of the 2nd International Conference on Graphics and Signal Processing. Association for Computing Machinery; 2018:74-78.

56. He X, Wu L, Song F, Jiang D, Zheng G. Research on fabric defect detection based on deep fusion DenseNet-SSD network. Proceedings of the 2020 International Conference on Wireless Communication and Sensor Networks. Association for Computing Machinery; 2020:60-64.

57. Wu W, Wu L, Li J, Wang S, Zheng G, He X. RetinaNet-based visual inspection of flexible materials. IEEE International Conference on Smart Internet of Things (SmartIoT). IEEE; 2019: 432-435.

58. Song S, Jing J, Huang Y, Shi M. EfficientDet for fabric defect detection based on edge computing. J Eng Fibers Fabr. 2021; 16:1-10. doi:10.1177/15589250211008346

59. Xie H, Wu Z. A robust fabric defect detection method based on improved RefineDet. Sensors. 2020;20(15):4260. doi:10.3390/s20154260

---

**页码 17**

60. Liu Z, Liu X, Li C, Li B, Wang B. Fabric defect detection based on faster R-CNN. Ninth International Conference on Graphic and Image Processing (ICGIP 2017). Vol 10615. SPIE; 2018: 55-63.

61. Wei B, Hao K, Tang XS, Ren L. Fabric defect detection based on faster R-CNN. Artificial Intelligence on Fashion and Textiles: Proceedings of the AIFT Conference 2018. Springer; 2019: 45-51.

62. Zhou H, Jang B, Chen Y, Troendle D. Exploring faster R-CNN for fabric defect detection. Third International Conference on Artificial Intelligence for Industries (AI4I). IEEE; 2020:52-55.

63. An M, Wang S, Zheng L, Liu X. Fabric defect detection using deep learning: An improved faster R approach. International Conference on Computer Vision, Image and Deep Learning (CVIDL). IEEE; 2020:319-324.

64. Wu Y, Zhang X, Fang F. Automatic fabric defect detection using cascaded mixed feature pyramid with guided localization. Sensors. 2020;20(3):871. doi:10.3390/s20030871

65. Peng P, Wang Y, Hao C, Zhu Z, Liu T, Zhou W. Automatic fabric defect detection method using PRAN-net. Appl Sci. 2020;10(23):8434. doi:10.3390/app10238434

66. Zhao Z, Gui K, Wang P. Fabric defect detection based on cascade faster R-CNN. Proceedings of the 4th International Conference on Computer Science and Application Engineering. Association for Computing Machinery; 2020:1-6.

67. Li F, Li F. Bag of tricks for fabric defect detection based on cascade R-CNN. Text Res J. 2021;91(5-6):599-612.

68. Xu Z, Lan S, Yang Z, Cao J, Wu Z, Cheng Y. MSB R-CNN: a multi-stage balanced defect detection network. Electronics. 2021;10(16):1924. doi:10.3390/electronics10161924

69. Yang R, Guo N, Tian B, Wang J, Liu S, Yu M. Fabric defect detection via saliency model based on adjacent context coordination and transformer. J Eng Fibers Fabr. 2024;19: 15589250241258272. doi:10.1177/15589250241258272

70. Zhang HW, Tan QL, Lu S, Ge ZQ, Gu D. Yarn- dyed fabric defect detection using U- shaped de- noising convolutional auto- encoder. IEEE 9th Data Driven Control and Learning Systems Conference (DDCLS). IEEE; 2020:18-24.

71. Zhang H, Qiao G, Lu S, Yao L, Chen X. Attention- based feature fusion generative adversarial network for yarn- dyed fabric defect detection. Text Res J. 2023;93(5-6):1178-1195. doi:10. 1177/00405175221149450

72. Zhang H, Wang S, Lu S, Yao L, Hu Y. Attention- gate- based U- shaped reconstruction network (AGUR- net) for color- patterned fabric defect detection. Text Res J. 2023;93(11-12): 1754-1766.

73. Zhang H, Liu S, Lu S, Yao L, Li P. Knowledge distillation for unsupervised defect detection of yarn- dyed fabric using the system DAERD: dual attention embedded reconstruction distillation. Color Technol. 2023;139(6):528-542. doi:10.1111/colet. 12652

74. Zhang H, Meng L, Lu S, Song Z, Wu L. A diverse embedding- based composite reconstruction encoder- decoder for color fabric defect detection. Expert Syst Appl. 2025;278:127261. doi: 10.1016/j.eswa.2024.127261

75. Huang J, Rathod V, Sun C, et al. Speed/accuracy trade- offs for modern convolutional object detectors. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE; 2017:7310-7311.

76. Lin TY, Dollár P, Girshick R, He K, Hariharan B, Belongie S. Feature pyramid networks for object detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE; 2017:2117-2125.

77. Xie S, Girshick R, Dollár P, Tu Z, He K. Aggregated residual transformations for deep neural networks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE; 2017:1492-1500.

78. Schneider D, Holtermann T, Merhof D. A traverse inspection system for high precision visual on- loom fabric defect detection. Mach Vis Appl. 2014;25:1585-1599. doi:10.1007/s00138- 014- 0617- 2

79. Badrinarayanan V, Handa A, Cipolla R. SegNet: a deep convolutional encoder- decoder architecture for robust semantic pixel- wise labeling. arXiv. Preprint. 2015.

80. Chen L, Papandreou G, Schroff F, Adam H. Rethinking atrous convolution for semantic image segmentation. arXiv. Preprint. 2017.

81. Chen LC, Zhu Y, Papandreou G, Schroff F, Adam H. Encoder- decoder with atrous separable convolution for semantic image segmentation. Proceedings of the European Conference on Computer Vision (ECCV). Springer; 2018: 801-818.

82. Zhao H, Shi J, Qi X, Wang X, Jia J. Pyramid scene parsing network. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE; 2017:2881-2890.

83. He K, Gkioxari G, Dollar P, Girshick R. Mask R- CNN. Proceedings of the IEEE International Conference on Computer Vision (ICCV). IEEE; 2017:2961-2969.

84. Bolya D, Zhou C, Xiao F, Lee YJ. YOLACT: real- time instance segmentation. Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV). IEEE; 2019:9157-9166.

85. Wang X, Kong T, Shen C, Jiang Y, Li L. SOLO: segmenting objects by locations. Computer Vision-ECCV 2020. Springer; 2020:649-665.

86. Wang X, Zhang R, Kong T, Li L, Shen C. SOLOv2: dynamic and fast instance segmentation. Adv Neural Inf Process Syst. 2020;33:17721-17732.

87. Weninger L, Kopaczka M, Merhof D. Defect detection in plain weave fabrics by yarn tracking and fully convolutional networks. 2018 IEEE International Instrumentation and Measurement Technology Conference (I2MTC). IEEE; 2018:1-6.

88. Liu Z, Wang J, Li C, Li B, Yang R. Fabric defect detection using fully convolutional network with attention mechanism. Proceedings of the 2019 8th International Conference on Computing and Pattern Recognition (ICCPR). Association for Computing Machinery; 2019:134-140.

89. Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need. Adv Neural Inf Process Syst. 2017;30:5998-6008.

90. Sizyakin R, Voronin V, Gapon N, et al. Fabric image inspection using deep learning approach. Optical Metrology and Inspection for Industrial Applications IX. SPIE; 2022:430-436.

91. Jing J, Wang Z, Ratsch M, Zhang H. Mobile-UNet: An efficient convolutional neural network for fabric defect detection. Text Res J. 2022;92(1-2):30-42.

92. Wang J, Xu G, Li C, Gao G, Wu Q. SDDet: An enhanced encoder- decoder network with hierarchical supervision for surface defect detection. IEEE Sens J. 2022;23(3):2651-2662. doi:10.1109/JSEN.2022.3141255

93. Huang Y, Xiang Z. RPDNet: automatic fabric defect detection based on a convolutional neural network and repeated pattern analysis. Sensors (Basel). 2022;22(16):6226. doi:10.3390/ s22166226

---

**页码 18**

94. Han K, Wang Y, Tian Q, Guo J, Xu C, Xu C. GhostNet: more features from cheap operations. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE; 2020:1580-1589.

95. Nguyen QT. Defective sewing stitch semantic segmentation using DeepLabV3 and EfficientNet. Intel Artif. 2022;25(70):64-76. doi:10.4114/intartif.vol25iss70pp64-76

96. Guo Y, Xiao Z, Geng L. Defect detection of 3D braided composites based on semantic segmentation. J Text Inst. 2023; 114(4):574-583. doi:10.1080/00405000.2022.2145358

97. Yao H, Na Q, Zhu S, Lin M, Yu J. Fabric defect detection with an attention mechanism based on hard sample training. Text Res J. 2022;92(9-10):1429-1443. doi:10.1177/00405175221092471

98. Revathy G, Kalaiwari R. Fabric defect detection and classification via deep learning- based improved mask R-CNN. Signal Image Video Process. 2024;18(3):2183-2193. doi:10.1007/s11760-023-02720-5

99. Guo Y, Liu Y, Georgiou T, Lew MS. A review of semantic segmentation using deep neural networks. Int J Multimed Inf Retr. 2018;7:87-93. doi:10.1007/s13735-017-0141-z

100. Lateef F, Ruichek Y. Survey on semantic segmentation using deep learning techniques. Neurocomputing. 2019;338:321-348. doi:10.1016/j.neucom.2019.02.003

101. Hussain T. A Knowledge- Based Expert System for the Dyeing of Cotton. Doctoral dissertation. Heriot- Watt University; 2004.

102. Shim WS. A Diagnostic Expert System for the Coloration of Polyester Materials. PhD Thesis, North Carolina State University, USA. 2009.

103. Zubair M. A Diagnostic Expert System for the Coloration of Textile Fiber Blends. PhD Thesis, North Carolina State University, USA. 2020.

104. Sawatwarakul W. A Diagnostic Expert System for the Dyeing of Protein Fibers. PhD Thesis, North Carolina State University, USA. 2014.

105. Sawatwarakul W, Joines JA, Shamey R. A diagnostic expert system for the dyeing of protein fibres. Color Technol. 2015; 131(5):389-395. doi:10.1111/colet.12210

106. Kalav B. Troubleshooting Ink Jet Printing of Cotton Substrates Using a Knowledge- Based Expert System. PhD Thesis, Istanbul Technical University, Türkiye. 2012.

107. Kumar A. Computer- vision- based fabric defect detection: a survey. IEEE Trans Ind Electron. 2008;55(1):348-363. doi:10.1109/TIE.2007.911799

108. Ngan HY, Pang GK, Yung NH. Automated fabric defect detection---a review. Image Vis Comput. 2011;29(7):442-458. doi:10.1016/j.imavis.2011.02.002

109. Tsai IS, Lin CH, Lin JJ. Applying an artificial neural network to pattern recognition in fabric defects. Text Res J. 1995;65(3): 123-130. doi:10.1177/004051759506500303

110. Mak KL, Peng P, Yiu KFC. Fabric defect detection using morphological filters. Image Vis Comput. 2009;27(10):1585-1592. doi:10.1016/j.imavis.2008.12.001

111. Castellini C, Francini F, Longobardi G, Tiribilli B, Sansoni P. Online textile quality control using optical Fourier transforms. Opt Lasers Eng. 1996;24(1):19-32. doi:10.1016/0143-8166(95)00017-8

112. Yang XZ, Pang GK, Yung NHC. Discriminative fabric defect detection using adaptive wavelets. Opt Eng. 2002;41(12):3116- 3125. doi:10.1117/1.1517279

113. Mak KL, Peng P. An automated inspection system for textile fabrics based on Gabor filters. Rob Comput- Integr Manuf. 2008;24(3):359-369. doi:10.1016/j.rim.2007.02.004

114. Ghosh A, Guha T, Bhar RB, Das S. Pattern classification of fabric defects using support vector machines. Int J Clothing Sci Technol. 2011;23(2/3):142-151. doi:10.1108/09556221111107393

115. Kuo CFJ, Lee CJ, Tsai CC. Using a neural network to identify fabric defects in dynamic cloth inspection. Text Res J. 2003;73(3):238-244. doi:10.1177/0040517501307300309

116. Lin JJ, Lin CH, Tsai IS. Applying expert system and fuzzy logic to an intelligent diagnosis system for fabric inspection. Text Res J. 1995;65(12):697-709. doi:10.1177/004051759506501203

117. Choi HT, Jeong SH, Kim SR, Jaung JY, Kim SH. Detecting fabric defects with computer vision and fuzzy rule generation. Part II: defect identification by a fuzzy expert system. Text Res J. 2001;71(7):563-573. doi:10.1177/004051750107100704

118. Shamey R, Hussain T. Artificial intelligence in the colour and textile industry. Rev Prog Color Relat Top. 2003;33:33-45. doi:10.1111/j.1478-4408.2003.tb00131.x

119. Shamey R, Hussain T, Wardman RH. A comparison of methodologies for the construction of diagnostic expert systems for textile dyeing. AATCC Rev. 2007;7(2):36-43.

120. Hussain T, Wardman RH, Shamey R. Knowledge-based expert system for dyeing of cotton. Part 1: design and development. Color Technol. 2005;121(1):53-58. doi:10.1111/j.1478-4408.2005.tb00273.x

121. Hussain T, Wardman RH, Shamey R. A knowledge-based expert system for dyeing of cotton. Part 2: testing and evaluation. Color Technol. 2005;121(2):59-63. doi:10.1111/j.1478-4408.2005.tb00274.x

**如何引用本文：** Cui H, Seyam A-F, Shamey R. Textile and colour defect detection using deep learning methods. Colorization Technology. 2025;1-21. doi:10.1111/cote.70044

---

**页码 19**

附录 A

A.1 精确率

精确率反映了模型在模型诊断为阳性的所有案例中检测出真正阳性案例的能力（公式A1）。其中 tp 指真正例，fp 指假正例。

\\\mathrm{精确率} = \\frac{\\mathrm{tp}}{\\mathrm{tp} + \\mathrm{fp}} \\quad (A1)\\

A.2 召回率

召回率表示真正阳性率或灵敏度，因为它计算的是真正阳性实例与样本中阳性案例总数的比率（公式A2）。其中 fn 指假负例。

\\\mathrm{召回率} = \\frac{\\mathrm{tp}}{\\mathrm{tp} + \\mathrm{fn}} \\quad (A2)\\

---

**页码 20**

**20 | Coloration Technology**

A.3 准确率

准确率显示了模型根据分配的真实标签正确预测类别的频率（公式A3）。其中 tn 指真负例。

\\\mathrm{准确率} = \\frac{\\mathrm{tp} + \\mathrm{t}\\mathrm{n}}{\\mathrm{tp} + \\mathrm{t}\\mathrm{n} + \\mathrm{fp} + \\mathrm{f}\\mathrm{n}} \\quad (A3)\\

A.4 F1分数

F1分数是结合了精确率和召回率的度量，可以是精确率和召回率的调和平均数（公式A4）。

\\\mathrm{F1} = 2\\times \\frac{\\mathrm{精确率}\\times\\mathrm{召回率}}{\\mathrm{精确率} + \\mathrm{召回率}} \\quad (A4)\\

A.5 交并比（IoU）

交并比（IoU）是目标检测和图像分割任务的评估指标。该指标表示两个边界框之间的重叠程度。图A1显示了预测框和真实框的重叠区域，以蓝色表示。理想情况下，这两个框应完全重叠，此时IoU（重叠面积/并集面积）应为1。因此，研究人员可以为IoU选择某个阈值。如果阈值是0.5，只有当预测框和真实框的IoU大于0.5时，结果才被视为真正例（图A2）。此信息有助于获得模型结果的精确率和召回率。

A.6 平均精度均值（mAP）

平均精度均值（mAP）是评估目标检测模型性能时常用的指标之一。首先计算平均精度（AP），将精确率-召回率曲线转换为单个值，然后获得mAP，其中\(n\)指的是阈值的数量（公式A5）。然后根据公式（A6）计算mAP，

<center>图A1 交并比。</center>

<center>图A2 设置阈值。图片摘自paperspace (https://blog.paperspace.com/mean-average-precision/)。</center>

其中\(n\)指的是类别的数量，\(\mathrm{AP_k}\)是类别k的AP值。

\\\mathrm{AP} = \\sum_{m = 0}\^{m = n - 1}\[\\mathrm{召回率}(m) - \\mathrm{召回率}(m + 1)\times \mathrm{精确率}(m) \quad (A5)\]

\\\mathrm{mAP} = \\frac{1}{n}\\sum_{k = 1}\^{k = n}\\mathrm{AP}_k \\quad (A6)\\

A.7 TILDA数据集

一个纺织品纹理数据库，是在DFG（德国研究联合会）主要研究项目"技术对象的自动视觉检测"框架内的纹理分析工作组中开发的。(https://lmb.informatik.uni-freiburg.de/resources/datasets/tilda.en.html)

A.8 香港图案纹理数据库

一个包含图案纹理织物的公共数据库。(https://ytngan.wordpress.com/codes)

A.9 DAGM2007数据集

一个用于纹理表面缺陷检测的合成数据集。(https://conferences.mpi-inf.mpg.de/dagm/2007/prizes.html)

A.10 天池织物缺陷数据集

由阿里云平台创建的用于织物缺陷检测的公共数据集。(https://tianchi.aliyun.com/competition/entrance/231748/introduction?spm=5176. 12281925.0.0.158c7137kWTDaD)

A.11 YDFID-1数据集

一个专门设计的数据集，包含3501张图像，其中312张是缺陷图像。(https://github.com/ZHW- AI/YDFID- 1)

---

**页码 21**

A.12 | YDFID-2数据集

YDFID-1的更新版本，包含3830张图像，其中330张描绘了缺陷。(https://github.com/ZHW- AI/YDFID-1)

A.13 | ZJU-Leaper

一个包含98，777张图像的私有织物缺陷数据集，其中27，650张是缺陷图像。(https://github.com/nico-zck/ZJU-Leaper-Dataset/tree/master/dataset_api)

A.14 | Microsoft COCO (Microsoft Common Objects in Context)

MS COCO数据集是一个为计算机视觉任务（如目标检测、图像分割和图像描述）创建的大型数据集。该数据集包含328K张图像，已被大量目标和图像分割研究用于创建基准。(https://cocodataset.org/#home)

A.15 | PASCAL VOC 2007

PASCAL VOC 2007是一个为图像分类和目标检测任务创建的数据集。该数据集涵盖20个对象类别，包括动物、人物、车辆和室内场景。该数据集已被许多目标和图像分割研究用于创建基准。(http://host.robots.ox.ac.uk/pascal/VOC/voc2007)

---

**翻译结束**