《Information》:Development and Application of an AI Visual Defect Detection System for Warp-Knitted Lace Based on 5G+ Technology
编辑推荐:
本研究开发了一种以正样本学习为核心的新型人工智能视觉检测系统,该系统建立在五层5G+工业互联分布式架构基础之上。在改装织机、高精度成像设备和优化YOLOv5s模型的支撑下,系统实现了智能化缺陷检测。研究人员提出了正样本自学习范式(Positive-Sample
本研究开发了一种以正样本学习为核心的新型人工智能视觉检测系统,该系统建立在五层5G+工业互联分布式架构基础之上。在改装织机、高精度成像设备和优化YOLOv5s模型的支撑下,系统实现了智能化缺陷检测。研究人员提出了正样本自学习范式(Positive-Sample Self-Learning, PSSL)和双模型协作机制,以降低对负样本的需求并削减标注成本。通过整合卷积块注意力模块(Convolutional Block Attention Module, CBAM)、特征金字塔网络与路径聚合网络(Feature Pyramid Network + Path Aggregation Network, FPN+PAN)结构、自监督学习和混合损失函数,系统进一步增强了在复杂图案下对细微缺陷的识别性能。工业测试表明,该系统网格级分类准确率达到95%,帧级检测率超过98%,检测速度达30 m/min。系统使人工成本和产品拒收率分别降低40%和30%,并在实际生产中稳定运行。该方法突破了传统训练模式的限制,为经编蕾丝行业的数字化升级提供了可扩展的智能解决方案,推动了纺织制造业的高质量发展。
一项旨在推动经编蕾丝产业智能化升级的研究取得了重要进展。研究人员针对传统人工质检及基于负样本训练的检测方法存在的效率低下、误检频发和适应性差等突出问题,开发了一套基于5G+技术的AI视觉缺陷检测系统,相关工作成果发表于期刊《Information》。
经编蕾丝制造业作为纺织业的高精度、高附加值细分领域,对质量检测有着极为严格的要求。传统织物缺陷检测主要依赖人工设计规则和传统图像处理技术,包括特征提取与缺陷识别两个核心环节。统计分析方法、频域分析方法和基于模型的方法是三种主要传统检测途径,分别通过灰度纹理差异比较、频谱周期性分析以及标准无缺陷模板建立来实现缺陷定位。然而,随着织物品种和缺陷类型的持续多样化,传统方法的表征能力、适应性和鲁棒性受到极大限制。这一问题在经编蕾丝领域尤为突出——其结构复杂、网眼样式多样、表面具有三维特性,传统检测方法难以奏效。断纱、漏针、飞纱、错纱和花型错误等常见缺陷外观差异巨大,部分缺陷与正常纹理视觉特征高度相似,进一步增加了检测难度。此外,传统学习方法严重依赖大规模缺陷样本进行模型训练,限制了检测准确率和泛化性能。当前基于机器视觉的在线检测方案大多依赖二维图像分析,无法充分表征蕾丝的多层多维结构,导致误检率居高不下。数十年来,经编蕾丝制造商一直依赖人工检测,频繁的产品退货和返工制约了生产设计优化、制造工艺改进、质量控制和成本降低。
针对这一广泛存在的产业难题,研究人员开展了以正样本自学习训练策略为核心的智能化检测方案研究,优化了机器视觉算法和边云协同部署架构,最终提出了高效的经编蕾丝智能检测解决方案。
该研究的技术方法体系包含若干关键组成部分。在系统架构层面,研究采用5G+工业互联作为核心技术框架,建立了覆盖经编蕾丝制造全过程的五层分布式架构,即设备层—网络层—人工智能层—应用层—管理层,形成感知—计算—决策—执行—反馈的智能闭环。其中网络层基于5G专网构建低延迟通信通道并部署多接入边缘计算(Multi-Access Edge Computing, MEC)节点,将通信延迟控制在30 ms以下。在硬件平台方面,研究配置了基于昇腾(Ascend)系列级别芯片的华为Atlas智能计算解决方案作为AI算力平台,同时采用NVIDIA RTX A4000 GPU作为离线训练平台、华为Ascend 310芯片配合Atlas AI服务器用于现场工业部署。在样本数据方面,研究数据来源于中国福建省实际经编蕾丝生产线,共采集12,600米织物、189,600帧图像,涵盖112种蕾丝花型,并构建了由16种全新花型组成的独立保留测试集以评估模型泛化能力。
在核心AI算法方面,研究以改进的YOLOv5s网络为检测主干,嵌入CBAM注意力机制,采用FPN+PAN多尺度特征融合结构,并引入混合损失函数。研究提出了正样本自学习(PSSL)框架,以无缺陷蕾丝图像为主要训练数据集,通过自监督学习表征标准经编蕾丝的纹理、图案和结构特征的固有多元分布,通过量化新采集图像与预先建立的正常特征空间之间的特征偏差来实现异常判别。研究还设计了双模型协作机制,包含正模型和负模型两个共享骨干网络但任务不同的模型,在推理阶段融合两者检测结果以降低误判。正模型主要学习正常蕾丝图案的标准特征分布,负模型专注于提取细微缺陷的细粒度特征并进行缺陷分类。此外,研究引入了标签平滑和多损失联合训练机制,采用交叉熵损失、Focal损失、SoftTriple损失 Cached Oct 2, 2024核心结果被通路,并融合了Dropout层、噪声瓶颈和有损耗重建等关键技术。
研究取得了多方面的结果。在系统性能方面,AI计算平台建设使系统综合计算能力提升三倍,织物检测速度从传统人工检测的10 m/min提升至30 m/min。经180天连续现场部署验证,系统应用于28台经编蕾丝织机,共检测89,200米织物,平均无故障工作时间超过900小时,软件稳定率达到99.8%。
在检测精度方面,系统实现了多方面的重要指标。网格级综合分类准确率达到95%,帧级自动检测率超过98%。在标准测试集上,平均精度均值(mAP@0.5)达到94.2%,总体精确率95.1%,总体召回率96.3%,总体F1分数95.7%,假阳性率1.8%,假阴性率1.2%。五种预定义缺陷类别中,断纱表现最佳,精确率、召回率和F1分数分别为96.4%、97.1%和96.7%;花型错误在所有类别中性能最低,精确率92.1%,召回率93.2%,F1分数92.6%。在由未见过的花型组成的独立保留测试集上,模型取得92.7%的精确率、93.5%的召回率和93.1%的F1分数。混淆矩阵分析显示,误分类主要发生在飞纱和错纱之间,因其视觉特征相似;少量正常纹理网格被误判为花型错误,总体分类错误保持在较低水平。模型对蕾丝缺陷的识别精度达到1 mm,能够准确捕获90 D纱线的单纱级异常,AI缺陷分类准确率从初始的40%提升至95%。在经济效益方面,系统使织物拒收率从人工检测时的7.2%降至5.04%,相对降低30%;前线检验人员从56_HD1_56人__HD2减少至22人,直接减员率约60.7%,综合考虑辅助管理岗位后整体人工成本降低40%。
消融实验与对比分析结果进一步验证了各模块的贡献。研究人员将该方法与多种主流算法进行了比较,包括基于灰度共生矩阵(Gray-Level Co-occurrence Matrix, GLCM)+Gabor的传统机器视觉方法、专业纺织检测器、原始YOLOv5s、YOLOv8n以及基于自编码器的异常检测模型。结果表明,所提方法在所有评估指标上均优于所有基线方法。逐步消融实验显示,CBAM注意力模块增强了细微缺陷的特征感知,FPN+PAN结构优化了复杂蕾丝纹理的多尺度特征融合,BCE-Dice混合损失缓解了样本不平衡和微小目标尺寸带来的训练偏差,自监督学习和PSSL减少了标注缺陷样本的依赖,负模型的引入进一步抑制了干扰纹理引起的假阳性。完整框架集成所有模块和双模型协作后取得了最高的F1分数,其中正样本自学习和双模型协作是两个最关键的组成部分。
在典型检测结果方面,模型在断纱和漏针等常见明显缺陷上实现了可靠的检测性能,能够准确定位和正确分类。假阳性错误的主要来源是蕾丝的复杂结构特征:个别复杂网眼纹理和正常蕾丝的三维浮雕表面与飞纱缺陷高度相似,导致正常纹理区域偶尔被误判为缺陷区域。假阴性案例主要出现在超细单纱偏差缺陷上,此类微小缺陷接近90 D纱线细度极限,在深色光照条件下尤其难以识别。此外,研究总结了三种典型困难检测场景:与正常蕾丝图案视觉特征几乎无法区分的细微缺陷、位于织物边缘且纹理信息不完整的花型错误、以及多类别重叠微小缺陷的特征混淆。
研究人员也对识别失败案例进行了分析。典型检测结果与挑战性失败案例的分析表明,真阳性检测方面,模型在常见且明显的缺陷如断纱和漏针上表现可靠;假阳性的主要来源是蕾丝复杂结构导致的正常纹理误判;假阴性主要发生在超细单纱偏差缺陷上。研究进一步指出三个限制性能进一步提升的典型困难场景:视觉特征与正常图案几乎不可分的细微缺陷、边缘位置纹理信息不完整的花型错误、以及多类别微小缺陷重叠的特征混淆。
在讨论与结论部分,研究人员总结了研究边界与局限性。在材料适应性方面,模型主要针对90 D至150 D纱线细度的经编蕾丝设计优化;对于低于90 D或高于150 D的纱线细度,检测准确率会因纹理特征尺度不匹配而下降3%至6%。在图案适应性方面,系统对常规网眼、条纹和三维浮雕蕾丝类型表现稳定,而面对高度不规则纹理的超复杂艺术提花蕾丝时假阳性率会上升至4%至5%。在环境光照约束方面,系统在300至800 lux的标准工厂室内照明下保持可靠检测,但低于150 lux的极低光照环境或超过1000 lux的强反射光会导致准确率下降4%至7%。在生产线适配方面,系统与部署于福建工业现场的RSJ和RSE系列经编织机良好兼容,对于运行速度超过40 m/min的超高速织机则需要进一步参数调优和自适应优化。
研究结论指出,该研究针对经编蕾丝产业的智能化升级需求,开发了基于5G的AI视觉缺陷检测系统。该平台融合机械、电子、光学、计算和软件技术,构建了集图像采集、智能识别、逻辑判断、报警通知和数据管理于一体的全流程数字化闭环系统。区别于依赖大量缺陷样本和手工特征的传统缺陷检测方法,该工作提出了正样本自学习范式和双模型协作框架,配合优化的网络模块和多损失联合训练策略,有效解决了蕾丝生产中复杂纹理干扰和细微缺陷识别的核心挑战。现场部署证明,该系统在检测精度、运行效率和长期稳定性方面均表现出优异的综合性能,大幅削减了人工检验工作量和产品缺陷率,并在实际生产环境中保持了可靠的运行状态。该研究实现了AI视觉检测技术从实验室研究到大规模工业应用的工程转化,小编,突破了传统人工检测经编蕾丝的技术瓶颈,为整个纺织行业提供了通用、可复制的智能化转型方案,具有突出的实用价值和推广意义。后续研究将根据工业测试中总结的应用边界和局限性开展针对性优化和扩展。