RDNT-YOLO：一种用于检测服装表面小尺寸缺陷的高精度且参数效率高的方法

《JOURNAL OF INTELLIGENT MANUFACTURING》：RDNT-YOLO: a parameter-efficient and high-accuracy detection method for small object defects on garment surfaces

　　

摘要

由于服装表面的缺陷通常具有尺度小、对比度低、纹理模糊等特点，且容易受到复杂背景的干扰，现有的通用物体检测器在实际生产环境中往往会出现漏检和定位不稳定的问题。为解决这些问题，本文提出了RDNT-YOLO，这是一种参数效率高且精度高的方法，用于检测服装表面的小型物体缺陷。以YOLOv8s作为基准，RDNT-YOLO从检测层次结构、小型物体表示以及回归稳定性三个方面进行了改进。首先，设计了动态小型物体检测层DSODL，并引入DySample来优化特征上采样和多尺度融合，从而提升对细微缺陷的检测能力。其次，在下采样阶段构建了C2f-RFAG模块，通过动态感受野聚合和注意力门控机制，增强对复杂纹理及不太显眼的缺陷的特征表示能力。第三，提出了NWD–TDIoU组合回归损失函数，同时考虑小型物体的尺度敏感性和定位精度，提高边界框回归的稳定性。在基于自行构建的服装表面小型物体缺陷数据集上的实验表明，RDNT-YOLO的mAP@0.5值为84.3%，mAP@0.5:0.95值为38.1%，同时仅包含743万个参数，能够实现40.63 FPS的实时推理速度。此外，RDNT-YOLO已被部署在服装小型物体缺陷检测设备上，实际运行结果表明，该算法能够在生产环境下生成缺陷检测结果和警报信号，初步验证了将此方法集成到服装表面缺陷检测设备中的可行性。这一在线验证为后续在生产线上的应用及工程级测试提供了原型基础。