《Textiles》：Automatic Detection of Crooked Seams and Skipped Stitches Using YOLOv11: A Deep Learning Approach
编辑推荐：
质量检验是纺织制造的基本支柱，因为服装缺陷直接影响客户满意度、生产效率和整体品牌声誉。在这种背景下，自动化检测系统对于确保一致的产品质量和减少对人工检验（通常劳动密集型、不一致且易受人为错误影响）的依赖变得至关重要。随着工业4.0（Industry 4.0）的
质量检验是纺织制造的基本支柱，因为服装缺陷直接影响客户满意度、生产效率和整体品牌声誉。在这种背景下，自动化检测系统对于确保一致的产品质量和减少对人工检验（通常劳动密集型、不一致且易受人为错误影响）的依赖变得至关重要。随着工业4.0（Industry 4.0）的出现以及纺织行业自动化和智能制造技术的日益普及，对智能化和自动化质量检测系统的需求显著增加。深度学习和计算机视觉的最新进展为精确和实时识别缝纫缺陷开辟了新的机遇。本研究提出了一种基于YOLOv11的框架，用于检测关键缺陷，如弯缝（crooked seams）和跳针（skipped stitches），旨在提高服装检验的准确性、速度和可靠性。实验结果表明，所提出的方法具有显著改善现代服装制造环境中质量保证过程的潜力。
**研究背景与问题**
在发展中国家，传统纺织业是经济的重要组成部分，全球纺织服装业是制造业中最大的雇主。然而，该行业正通过工业4.0（Industry 4.0）和自动化技术持续创新。当前质量检验主要依赖熟练工人的视觉检查，但这种方法受疲劳和单调性影响，导致准确性、一致性和效率低下，缺陷易被漏检。因此，开发先进的自动化检测系统以替代人工检验、提升产品质量成为迫切需求。深度学习和计算机视觉的进展为实时、精确识别缝纫缺陷提供了新可能。本研究聚焦于两种常见且具有代表性的缺陷——弯缝和跳针，旨在评估最新YOLOv11架构在缝纫缺陷检测中的有效性。
**研究内容与结论**
研究人员提出了一种基于YOLOv11的框架（具体采用YOLOv11s模型），用于自动检测弯缝和跳针。通过构建包含2700张图像（三类各900张）的平衡数据集，并在多种织物和缝线颜色匹配条件下采集图像，利用Roboflow平台进行标注、预处理和增强（水平翻转及90°旋转），然后采用5折交叉验证训练模型。实验结果表明，YOLOv11s在弯缝和跳针检测上表现优异：弯缝类的平均精度均值（mAP@50）达到0.995±0.001，跳针类同样为0.995±0.001，且推理速度达106帧/秒（FPS）。然而，该模型对正常（无缺陷）样本的识别性能较差（mAP@50仅为0.331±0.03），大量正常样本被误分类为背景。研究确认了YOLOv11在工业实时缺陷检测中的潜力，尤其适用于识别结构性缺陷（弯缝）和细微缺陷（跳针），为服装制造中的自动化质量保证提供了有效方案。该论文发表在《Textiles》。
**关键技术方法**
研究人员使用1.3百万像素USB工业相机（ELP Aptina，分辨率1280×960像素）搭配可变强度LED环形光源，在11种织物（包括牛仔、机织、针织等，编号#1至#11）上使用YAMATA单针锁缝机（锁缝类型Class 301，缝线Ne 40/2 100%聚酯，多种颜色）故意制造弯缝和跳针缺陷。共采集2700张图像（每类900张）。数据标注采用Roboflow平台，以边界框标记缺陷。预处理包括自动定向和统一缩放到640×640像素，增强仅对训练集应用水平翻转和90°顺时针/逆时针旋转。数据集按80%训练（2160张）和20%测试（540张）划分，训练集上采用5折交叉验证（每折1728张训练、432张验证）。模型选用YOLOv11s，在Google Colab的T4 GPU上训练100个epoch，批量大小16，AdamW优化器（初始学习率0.001，权重衰减0.0005）。评估指标包括精确率、召回率、mAP@50、mAP@50-95和推理时间。
**研究结果**
**4.1 YOLOv11s模型的性能评估**
通过三独立运行取平均，模型整体精确率0.78±0.03，召回率0.788±0.02，mAP@50为0.774±0.02，mAP@50-95为0.478±0.01，推理速度106 FPS。弯缝类精确率1.00±0.01，召回率1.00±0.001，mAP@50 0.995±0.001；跳针类精确率0.995±0.01，召回率1.00±0.00，mAP@50 0.995±0.001；正常类精确率仅0.346±0.04，召回率0.364±0.05，mAP@50 0.331±0.03。说明模型对缺陷类检测效果极佳，但对正常类区分能力弱。
**4.2 混淆矩阵**
在测试集上，弯缝和跳针分别正确识别178和180个实例（对角线深色），无交叉误分类；正常类仅25个正确，155个被误判为背景，另有14个背景实例被误判为正常。表明模型对缺陷类判别力强（零假阴性），但对正常与背景的区分存在困难。
**4.3 精确率-召回率曲线**
曲线显示弯缝和跳针的平均精度（AP）均为0.995，而正常类仅0.331，导致整体mAP@0.5降为0.774。正常类的精确率随召回率增加急剧下降，突显了改善正常样本特征提取的必要性。
**4.4 预测结果**
定性结果展示了模型在不同织物、方向和缝线条件下的成功检测，预测框准确定位缺陷，置信度约0.7–0.9。失败案例主要为正常缝线被误分类为背景，说明模型对缺陷检测更敏感，这对工业质检可接受。
**4.5 训练与验证性能曲线**
损失函数随epoch稳步下降，精确率和召回率持续提升，mAP@50和mAP@50-95逐渐上升并稳定，表明模型学习稳定、泛化良好。
**讨论与结论**
讨论部分指出：模型对缺陷类的高性能归因于YOLOv11s先进的骨干网络和多尺度特征融合机制（如C3k2块、空间金字塔池化融合（SPPF）、通道到像素空间注意力（C2PSA）），能有效提取缺陷特定的空间模式。正常类性能低的原因在于非缺陷缝线的变异性大，且模型倾向于将正常样本视为背景；但在工业环境中，检测缺陷比确认无缺陷更重要，因此该局限性可接受。
结论翻译如下：本研究首次将YOLOv11（YOLO家族最新演变）应用于缝纫缺陷检测任务。经数据集标注、预处理和数据增强（使用Roboflow平台），所提模型成功训练并表现出强劲性能：在100个训练epoch内，弯缝缺陷的mAP@50达到99.5%，跳针缺陷同样为99.5%，且推理时间低至9.4毫秒。这些结果确认了该模型适用于工业环境中的实时缺陷检测。此外，模型能成功检测不同颜色、材料和图案织物上各种类型和尺度的缺陷，甚至在缝线颜色与织物匹配等挑战性情况下亦表现良好。总体而言，研究结果凸显了YOLOv11在提升工业自动化和纺织质量检测系统方面的潜力。未来工作将聚焦于模型优化，开发能检测更广泛缝纫缺陷的智能检验系统，并将其分类为次要和主要缺陷，估算缺陷百分比，并提供图形用户界面实现实时可视化和决策支持。
