面向工业检测中实时织物缺陷检测的结构感知特征增强技术

《JOURNAL OF INTELLIGENT MANUFACTURING》：Structure-aware feature enhancement for real-time fabric defect detection in industrial inspection

　　

摘要

< />

在织物制造过程中，表面缺陷是不可避免的，而对其准确检测和记录对于质量评估而言至关重要。尽管基于深度学习的检测方法在降低劳动力成本和提高效率方面展现出潜力，但由于普通织物的纹理高度均匀，缺陷区域的差异较为微妙且对比度较低，这些方法的性能受到限制。传统的检测框架往往无法学习到足够具有区分度的特征，从而导致检测精度下降。为了解决这些问题，本文提出了一种轻量级的特征增强框架，该框架侧重于局部统计建模、结构异常强化以及工业应用。首先，引入了一种具有纹理感知能力的局部统计感知机制，通过邻域级别的统计参考值来描述稳定的背景纹理，并将其作为异常基准，从而有效区分由缺陷引起的偏差。其次，采用基于结构异常的非线性增强方法，放大与边缘中断和纹理连续性破坏相关的弱信号，以提高对低对比度和结构复杂缺陷的检测能力。消融实验证明了所提模块的有效性。具体而言，在交并比阈值为0.5时，平均精度从71.9%提升至74.0%，召回率则达到91.2%。尽管提升幅度不大，但该方法在不同光照条件下的表现依然稳健，能够有效平衡检测精度与召回率。该方法还已在实际的工业织物检测系统中得到成功应用，能够在实际操作条件下实现实时缺陷检测、定位和报告，同时保持较高的推理效率。此外，所提出的基于机器视觉的织物缺陷检测框架为产品质量控制提供了有价值的见解，同时也展现了在智能制造领域的巨大应用潜力。