合成纤维卷装表面缺陷实时检测框架

《Journal of Engineered Fibers and Fabrics》：A real-time surface defect detection framework for synthetic-fiber bobbins

　　

摘要
合成纤维卷装的表面缺陷检测对智能纺织制造至关重要。现有基于视觉的方法受到缺乏任务专用数据集、检测器对该应用场景的适配效率低下以及边缘设备部署困难等因素的限制。为应对这些挑战，本研究提出了一种轻量级检测框架。首先，开发了一套配备卷装姿态调整装置的图像采集系统，并建立了一个面向工业的新型数据集FiberBobbin-40K，其中包含40,497张高质量图像，填补了纤维卷装缺陷检测领域的空白。随后，研究人员提出了一种计算高效的检测器适配策略。最后，开发了一个整合重新设计的检测头、层剪枝和通道剪枝的压缩框架，以实现边缘设备上的高效推理。实验结果表明，与传统YOLOv8相比，优化后的模型参数量减少约71%，而mAP和F1分数仅分别下降2.03%和2.49%。此外，该模型在CPU上实现了94.73%的准确率和26.37 FPS的推理速度。优化后的模型仅有247万个参数，模型大小为4.86 MB，显著小于Faster R-CNN和YOLOv7，同时保持了具有竞争力的检测性能。

论文解读：合成纤维卷装表面缺陷实时检测框架研究

一、研究背景与问题

合成纤维工业已成为现代纺织制造的基础支柱，其应用范围涵盖服装、交通、航空航天、生物医学和能源系统等领域。在实际生产中，合成纤维长丝通常卷绕在纸质筒管上形成卷装，以便储存、搬运和下游加工处理，卷装成型质量直接影响退绕稳定性、织造连续性、产品良率和整体生产效率。然而，卷绕过程对工业扰动高度敏感，环境条件变化、卷绕速度过快、丝束张力不均匀、加捻不足、喷丝板不稳定以及卷装振动等因素均可能诱发表面缺陷。这些缺陷不仅降低一等品率，还会扰乱后续织造工艺并损害最终产品质量。

当前生产线上的卷装表面检验主要依赖固定照明条件下的人工目视检查，这种方法存在效率低、可重复性差且高度依赖操作人员经验等固有局限。传统机器视觉方法虽已探索了包括统计描述符、基于模型的方法、结构建模和频谱分析等手工特征管线，但其性能严重依赖人工设计的特征和精心调整的参数，在噪声、缺陷多样性和车间条件变化下的鲁棒性受到很大限制。近年来，深度学习已从根本上改变了工业缺陷检测范式，但仍有三个关键障碍阻碍高精度深度模型在真实工业环境中的可靠部署：其一，专用卷装数据集和标准化采集系统仍然匮乏；其二，多源异构数据下的模型泛化能力不足；其三，在资源受限的边缘设备上，精度与可部署性之间存在持续冲突。

二、研究内容与技术方法

针对上述挑战，研究人员提出了一种集成化的实时表面缺陷检测框架。该框架包含三大核心贡献：开发了配备卷装姿态调整装置的集成图像采集系统；建立了面向工业的FiberBobbin-40K数据集；提出了泛化导向的训练策略和综合模型优化框架。

此项研究涉及的主要关键技术方法包括：基于LED照明和电机驱动滚轮旋转的多视角图像采集系统；FiberBobbin-40K数据集的构建；Borderline-SMOTE和WCGAN-GP数据增强技术；基于遗传算法的超参数优化；COCO预训练权重的迁移学习初始化；基于BN层缩放因子的层剪枝与通道剪枝压缩框架；以及用于模型对比评估的非参数Bootstrap统计检验方法。研究样本来源于中国桐昆集团恒嘉化纤生产基地的PET、PA和PU三种工业主流材料的合成纤维卷装。

三、研究结果

（一）超参数优化与迁移学习效果
实验表明，遗传算法驱动的超参数优化使适应度值从初始的0.715提升至160代后的0.755。默认配置下从头训练与优化配置下迁移学习联合应用时，精确率从0.937提升至0.962，召回率仅小幅下降2.17%，F1分数从0.859提升至0.897，验证了该训练策略的有效性。

（二）YOLOv8网络深度和宽度定义
通过对比五种YOLOv8变体，YOLOv8x获得最高F1分数0.942但计算开销最大，而YOLOv8n以仅16.79 MB的权重和5,261,260个参数将模型复杂度降低87.1%，检测性能仅下降4.03%，同时在GPU上达到123.21 FPS，被选为最适合的基础模型。

（三）算法优化结果
经结构优化后，模型深度从225层减至139层，参数量和模型大小均压缩约71%，GPU推理速度提升59.16%，CPU下仍达到26.37 FPS满足实时检测需求。mAP和F1仅分别下降2.03%和2.49%。类别-wise评估中，毛丝缺陷性能下降最大（mAP下降4.7%，F1下降3.1%），而霉斑和油污缺陷仍保持mAP高于0.921、F1超过0.864的可靠检测水平。

（四）稀疏率设置
稀疏训练改变了BN层缩放因子γ的分布，γ随稀疏训练迭代次数增加而减小。综合比较后，35%的稀疏率被确定为最优训练参数，在稀疏化效果与检测性能保持之间取得最佳平衡。

（五）检测头搜索
基于ResNet-50骨干网络设计的多维搜索空间中，全连接分类与卷积回归结合的双分支检测头表现最优。配备五层卷积和混合注意力机制时，该配置在COCO数据集上达到mAP 0.931，较单一卷积头提升3.6%，推理速度稳定在37.1 FPS。

（六）层剪枝与通道剪枝
层剪枝实验中，删除2层时取得最佳平衡，mAP为0.927，F1为0.884，参数为5,499,740，模型大小为10.63 MB。通道剪枝中，0.4的剪枝比率在保持检测精度与降低计算需求之间达到最优。

（七）深度学习检测算法对比分析
在统一实验协议下对比多种代表性检测器，Faster R-CNN获得最高精度（mAP 0.951，F1 0.932），优化后的YOLOv8n达到mAP 0.915和F1 0.861，虽略低于YOLOv7，但显著优于大多数单阶段检测器。Bootstrap分析表明这些微小精度差异不足以证明绝对优势。优化模型的优势主要体现在部署导向的权衡上：模型大小仅4.86 MB，远小于Faster R-CNN（315.09 MB）和YOLOv7（225.17 MB），GPU达196.10 FPS、CPU达26.37 FPS。

（八）不同合成纤维卷装的算法性能评估
在七种不同颜色和材料组成的卷装测试中，优化模型达到94.7%的总体检测准确率。三种主要缺陷类型的准确率分别为：油污96.5%、霉斑95.2%、毛丝92.0%。黑色卷装的准确率最低（86.9%），其毛丝准确率降至81.9%，主要归因于PA基黑色卷装背景亮度低且易同时出现严重毛丝和大面积霉斑。

四、研究结论

本研究提出了一个用于合成纤维卷装表面实时缺陷检测的端到端框架，包含三项核心贡献：标准化图像采集平台与FiberBobbin-40K专用工业数据集；整合数据增强、超参数优化和自适应迁移学习的泛化导向训练流程；结合骨干网络选择、检测头搜索和包括层剪枝与通道剪枝在内的多阶段模型压缩的全栈优化框架。实验表明，优化后的YOLOv8n在检测性能与部署效率之间实现了良好平衡：模型参数和权重大小减少近71%，mAP和F1分数仅分别下降2.03%和2.49%，在标准CPU上运行速度达26.37 FPS，实际测试中总体缺陷检测准确率达94.7%。该框架为合成纤维卷装的在线质量检测提供了一条可复现、可部署且可扩展的工程路径，减少了对高性能服务器和操作人员经验的依赖，并支持集成到现有卷绕、搬运或分拣流程中，用于缺陷预警、质量分级和自动剔除。未来工作将纳入更多材料类型、规格和复杂光照条件，并结合多模态传感与专用边缘硬件，以提高大规模工业生产的长期稳定性。