综述：织物缺陷识别研究综述：深度学习方法的数据驱动分析

《Neurocomputing》：A thorough review of fabric defect recognition: Data-driven analysis of deep learning methods

　　摘要在纺织领域中，织物缺陷会严重影响最终产品的质量，进而导致大量资源浪费。在智能纺织制造背景下，织物缺陷检测成为至关重要的一环。它属于智能纺织制造过程中关键的计算机视觉任务之一。本综述深入分析了公开可用的数据集，重点研究了缺陷的结构分布与数量等特性。针对织物缺陷数据集不完整、数量不足等问题，本文提出了基础型、高级型和光学数据增强方法，为缺陷检测任务提供有力支持。此外，在详细分析织物缺陷数据集的结构、类型及现有问题基础上，本文全面探讨了小样本量、小目标物体、复杂纹理背景、样本分布不均、缺陷类别多样以及尺寸差异大等挑战，同时还分析了模型训练成本和检测速度等方面的关键问题。最后，本文对基于织物的数据采集设备以及深度学习检测方法的未来发展前景进行了展望，为相关研究人员和工程师提供了重要的参考和指导，同时也阐述了织物检测软件及硬件相关技术的发展方向。本文的主要目的是为深度学习技术在织物检测领域的应用提供全面的指导，从而推动该领域的进一步发展。

引言作为中国传统制造业的支柱产业，纺织业历史悠久，在人们的日常生活和国家经济中发挥着重要作用[1]。纱线规格、加工工艺、染料质量以及材料成分等因素都会对最终产品产生显著影响[2]。纺织织物缺陷通常表现为表面瑕疵，其主要源于生产过程中的问题以及机器故障，这不仅会导致资源浪费，还会降低产品质量[3]。早期的缺陷往往会在整个生产链中蔓延，进而加剧损失。因此，及早发现缺陷对于减少损失和提高生产效率至关重要[4]。纺织制造过程（图1）主要包括三个阶段：纺纱、织造和后整理。纺纱阶段通过多道工序将原棉加工成纱线，随后通过整经和上浆处理为织造做准备。织造阶段则通过抽纱、引纬和打纬等动作将纱线转化为织物。而后整理阶段则通过退浆、染色和涂层等工艺提升织物的耐用性和价值。织物缺陷检测系统对于保障各生产阶段的产品质量至关重要。这类系统结合了视觉采集设备、数据处理技术以及反馈机制，能够实现实时缺陷检测，从而提高生产效率和可靠性。它们被安装在针织机和检测架上，可在整个生产过程中识别缺陷[5]。人工智能和大数据分析技术的进步进一步提升了这些系统的检测速度和精度，彻底改变了工业质量控制的方式。织物缺陷检测的技术发展经历了多个关键阶段。最初，依赖工人经验的手动目视检测效率低下且容易出错[6]。20世纪50年代到70年代，计算机图像处理技术开始出现，颜色分割和边缘检测等技术虽有所改进，但在处理复杂背景时仍存在困难[7]。到了20世纪80年代，纹理分析和傅里叶变换等特征提取方法出现，为自动化检测奠定了基础[8]、[9]、[10]。然而，这些方法依赖于人工设定的参数，适应性较差。20世纪90年代，模板匹配和统计分类器等模式识别技术虽然在一定程度上提升了系统的可扩展性，但其适应性依然有限[11]。21世纪初，支持向量机（SVM）和随机森林等机器学习技术被应用于织物缺陷检测，提高了检测的准确性和泛化能力，但仍然依赖人工提取的特征[12]。21世纪10年代，随着深度学习的出现，卷积神经网络（CNN）、YOLO和Faster R-CNN等模型在复杂的实时检测任务中取得了卓越的成果。生成对抗网络（GAN）则通过有效的数据增强进一步提升了检测性能[13]、[14]、[15]、[16]、[17]。近年来，随着深度学习的进一步发展，迁移学习、少样本学习以及自监督学习等创新方法应运而生，这些方法解决了数据稀缺和检测任务多样性的问题，推动了织物缺陷检测向高度自动化和智能化的方向发展[18]。这一技术进展体现了从手动检测向智能检测的逐步转变，同时也显示出其在复杂工业场景中的巨大应用潜力。在回顾织物缺陷检测领域的研究进展时可以发现，该领域的研究已经从传统方法大幅转向现代技术[19]。早期的研究，如Kumar的相关工作[20]，主要是根据织物表面特征的属性将缺陷检测方法分为三类：统计法、光谱法和基于模型的方法。此后，Ngan等人[6]进一步细化了这种分类方式，提出了包括统计法、光谱法、基于模型的方法、学习方法、结构法、混合方法以及基于序列的方法在内的七种检测方法，并详细分析了每种方法的特性、优点和缺点。随着计算机视觉和人工智能技术的快速发展，Rasheed等人[21]开始关注基于图像处理的缺陷检测方法。他们系统地介绍了基于直方图、颜色、图像分割、频域运算、基于纹理的缺陷检测、基于稀疏特征的操作、图像形态学运算以及深度学习领域的最新发展趋势。与此同时，Kahraman和Durmu?o?lu[22]则聚焦于基于深度学习的检测模型，如卷积神经网络（CNN）、长短期记忆网络（LSTM）和生成对抗网络（GAN），并且简要介绍了一些公开的织物缺陷数据集，不过其中一些链接已经失效。尽管如此，这些数据集仍然为研究人员提供了宝贵的资源。与其他研究相比，本综述不仅整合了近年来学术界的最新研究成果，还改变了传统的总体概述形式，采用了以问题为导向的综述结构。具体而言，本文重点探讨了深度学习在织物缺陷检测中的两个核心要素：数据集和模型。首先，本文对当前织物缺陷数据集的现状进行了全面分析，指出了其在数量、质量和多样性方面的存在的问题。其次，针对当前纺织数据集中存在的六项核心挑战，如数据标注不准确、数据分布不均以及数据噪声较大等问题，本文进行了详细阐述，并总结了深度学习方法在缺陷检测中的具体应用及其效果。通过比较不同模型的性能，本文展现了深度学习在织物缺陷检测中的巨大潜力。最后，本文从根源出发，对织物缺陷检测的关键方面进行了前瞻性分析，包括数据采集系统、数据集构建、缺陷检测算法以及流程闭环控制。本文认为，未来的研究应更加注重数据采集的准确性和实时性，构建更全面、多样且标准化的数据集，同时探索更高效、更准确的缺陷检测算法，从而实现纺织生产的智能化和自动化。本文的其余部分结构如下：第2节介绍了公开可用的织物缺陷数据集的现状，并对其结构分布进行了深入分析。第3节阐述了基于深度学习的织物缺陷检测方法的当前发展状况，以及其在小样本量、小目标物体、复杂纹理背景、样本分布不平衡、多种缺陷类别以及织物尺寸差异大等六方面的面临挑战。这部分内容是基于第2节中对织物缺陷数据集的结构分布、类型及存在的问题，以及织物缺陷检测任务的特性所做的详细分析。第4节对本篇综述进行了总结，并分析了基于织物的数据采集设备以及深度学习检测方法的未来发展趋势。

现有公开缺陷数据集的描述深度学习模型在织物缺陷检测中的有效性在很大程度上取决于训练数据的质量，包括数据的规模和多样性。对于这项研究而言，织物缺陷数据集是至关重要的基础，因为深度学习网络的检测能力在很大程度上依赖于这些数据集的全面性和真实性[23]、[24]、[25]。然而，现有的织物缺陷数据集面临着三大挑战：可用性有限、缺陷类别不完整。

深度学习方法在织物缺陷检测中的发展与挑战在讨论的第二部分，我们仔细研究了现有织物缺陷数据集的结构和分布情况，以及其中所包含的缺陷类型多样性。同时，我们也清楚地认识到了这些数据集存在的各种局限性和挑战，这对于我们理解并总结织物缺陷检测任务中固有的问题至关重要。尽管目前的 数据集为织物相关研究奠定了基础。

技术格局：机遇与障碍随着纺织制造工艺的不断进步，智能织物缺陷检测系统在确保整个生产周期的产品质量方面发挥着越来越重要的作用。如第1节所述，纺织生产过程通常分为三个关键阶段：纺纱（第一阶段）、织造（第二阶段）和后整理（第三阶段）。智能织物缺陷检测系统在这三个阶段都发挥着不可或缺且至关重要的作用。

结论在最初的论述中，我们对数据集及其在织物缺陷检测中的核心作用进行了全面探讨。我们强调了高质量数据集对于提升模型性能的重要性，同时仔细研究了现有的公开织物缺陷数据集，对其缺陷类型、数量、尺寸以及结构分布等方面进行了细致的分析。此外，我们也认识到了这些数据集存在的诸多缺陷。

CRediT作者贡献声明张晓东：撰写——审阅与编辑、指导、资金获取、正式分析、概念构思。郭丹：撰写——初稿、研究、正式分析、数据整理。李娜娜：撰写——审阅与编辑、指导、资金获取、正式分析。李江：撰写——审阅与编辑、撰写——初稿、方法论、研究、数据整理、概念构思。罗新盼：数据整理。任江涛：撰写——审阅与编辑、数据整理。邢戈

利益冲突声明作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢资助：本研究得到了中国国家计划项目（项目编号：J0017–2326-QT）、中国国家自然科学基金（NSFC）[项目编号：62373274]、河北省自然科学基金[项目编号：E2025110021]、沧州市自然科学基金[项目编号：23241001006?N]、沧州市科学技术计划[项目编号：222101003]以及天津工业大学沧州研究院提供的研究经费支持[项目编号：TGCYY-F?020]。李江于2019年在中国天津的天津科技大学获得机电工程学士学位，2022年在该校获得机械工程硕士学位。目前，他正在中国天津的天津大学精密仪器与光电子工程系攻读机械工程博士学位。他的研究兴趣包括深度学习、精密技术等。李江|郭丹|任江涛|邢戈|罗新盼|张晓东|李娜娜中国天津市天津大学精密测量技术及仪器国家重点实验室、微纳制造技术实验室，邮编300072。