基于YOLOv11网络的智能机器人扎染服装实时高效实例分割研究

本文提出改进版YOLOv11模型Garment-YOLO，通过C3k2_DMF模块（动态核权重选择机制）和DCR-FPN（双交叉重校准特征金字塔）结构，实现服装区域91.5% mAP50-95（Mask）分割精度，结合机器人路径规划使扎染生产效率提升52.5%，为非物质文化遗产智能化转型提供解决方案。

　　

Highlight

本研究针对传统扎染工艺人工依赖性强的问题，开发了基于YOLOv11改进的Garment-YOLO模型，其核心创新包括：

C3k2_DynamicMixFormer (C3k2_DMF)模块

通过动态核权重选择机制（Dynamic Kernel Weight Selection）和多尺度特征融合，在服装变形、遮挡等复杂场景下仍能保持局部细节与全局信息的平衡，模型鲁棒性提升37.2%。

Dual-Cross Recalibration FPN (DCR-FPN)

采用双路径交叉校准机制，将语义信息与边界特征选择性聚合，使服装边缘分割准确率提升19.4%，染料浪费减少同比例。

Superior-Head设计

用部分卷积（PConv）替代深度可分离卷积（DWConv），计算量降低42%的同时维持91.9% mAP_50-95（Box）检测精度，推理速度达167.4 FPS。

实际产线验证

72小时对比测试显示，该技术使产品合格率提升24.6%，生产效率达人工操作的2.5倍，为服装智能制造提供可落地的AI解决方案。

Conclusion

Garment-YOLO通过算法-硬件协同优化，不仅实现扎染工艺从"人主导"到"机器主导"的范式转变，更为非物质文化遗产的数字化传承开辟新路径。