《Journal of Industrial Textiles》：Enhanced YOLO for fabric defect detection via region-aware attention and hypergraph computation
编辑推荐：
织物缺陷检测对纺织质量控制至关重要，然而由于缺陷具备多尺度尺寸、复杂形态及不规则空间分布，该任务仍具挑战性。现有方法，尤其是基于卷积的YOLO系列，往往难以有效捕获细微纹理变化与缺陷的长程依赖关系。针对上述问题，研究人员提出一种通过区域感知注意力与超图计算增强
织物缺陷检测对纺织质量控制至关重要，然而由于缺陷具备多尺度尺寸、复杂形态及不规则空间分布，该任务仍具挑战性。现有方法，尤其是基于卷积的YOLO系列，往往难以有效捕获细微纹理变化与缺陷的长程依赖关系。针对上述问题，研究人员提出一种通过区域感知注意力与超图计算增强的YOLO织物缺陷检测方法，命名为FDD-YOLO。具体而言，提出区域感知高效层聚合网络（Region-Aware Efficient Layer Aggregation Network, RA-ELAN），利用区域感知注意力建模长程上下文依赖，从而在不损害计算效率的前提下增强对低对比度条件下微小及模糊缺陷的感知能力。此外，引入具有双分支结构的混合图融合块（Mixed Graph Fusion Block, MGF-Block），通过超图与轻量卷积协同建模全局语义信息与细粒度纹理特征。在三个数据集上的大量实验表明，所提方法在保持竞争性计算效率的同时取得优越性能，适用于真实工业应用。
研究背景方面，纺织工业作为全球制造体系的基础性战略产业，其产品质量直接决定市场竞争力，织物缺陷检测在质量控制中不可或缺。传统人工检验受疲劳与主观性限制漏检率高，早期机器视觉依赖Gabor滤波器、局部二值模式（Local Binary Pattern, LBP）与灰度共生矩阵（Gray-Level Co-occurrence Matrix, GLCM）等手工特征，对复杂纹理适应性差且易受光照影响。基于卷积神经网络（Convolutional Neural Network, CNN）的YOLO系列虽成为主流，但CNN固有局部感受野难以捕获工业织物重复纹理中的高级结构与长程依赖；引入Transformer或图神经网络（Graph Neural Network, GNN）可增强全局建模，但计算与内存开销超出工业边缘设备约束；为实时性简化的轻量模型又易丢失低对比度细粒度缺陷表征。为此，研究人员开展一项面向工业纺织巡检的增强型轻量YOLO研究，提出FDD-YOLO，在《Journal of Industrial Textiles》发表，核心结论为：通过区域感知注意力与超图计算协同，在精度与实时性间取得最优权衡，三数据集上mAP分别达34.3%、34.2%、48.2%，在Rockchip RK3588边缘端稳定64 FPS，适于产线部署。
关键技术方法上，研究人员以YOLOv11为基线构建增强骨干（Backbone）-特征融合颈（Neck）-多尺度头（Head）架构，将C3K2部分替换为RA-ELAN，深层嵌入MGF-Block；RA-ELAN内RA-Attention将特征图划分为非重叠区域，区域内做带相对位置偏置的局部自注意力，区域间用轻量交互函数融合，分层聚合多感受野特征并加全局残差；MGF-Block经1×1卷积扩通道后双分支并行，一支用自适应平均池化压缩节点、余弦相似度构超边权重的轻量超图卷积（HyperConv_Lite），另一支用3×3卷积提取细粒度纹理，最后拼接3×3卷积降维。训练数据来自阿里巴巴天池织物数据集（5913张2446×1000）、自建牛仔织物数据集（9000张3072×2048，源自广东佛山产线RK3588采集系统）及ZJU-Leaper数据集（98777张19类织物），输入640×640，SGD训练300轮。
研究结果部分，3 方法论中3.1整体框架表明FDD-YOLO采用增强Backbone-Neck-Head，初段用YOLOv11提纹理基元，深段嵌RA-ELAN与MGF-Block，Neck建三尺度输出并再嵌RA-ELAN消分辨率不一致。3.2区域感知高效层聚合网络表明RA-Attention分区计算将复杂度降至相对空间分辨率线性，RA-ELAN通过分层特征流、通道拼接聚合与残差感知增强低对比度异常判别，分区数#num=4时最优（mAP 34.3%）。3.3混合图融合块表明双分支中HyperConv_Lite以余弦相似度建超边优于高斯核与曼哈顿距离，与卷积支互补建模不连续空间分布缺陷，消融显示两模块叠加mAP由19.2%升至34.3%。4硬件平台表明基于RK3588（8核CPU、6TOPS NPU）的双相机暗舱牛仔在线系统复现佛山产线条件，本地推理不依赖云。5实验结果与分析中5.1设置完毕；5.2比较结果显示天池集mAP 34.3%超YOLOv5n 8.6%、牛仔集34.2%超YOLOv11n 1.5%、ZJU-Leaper集48.2%超YOLOv11n 2.2%，效率表参量10.6M、FLOPs 24.3G、GPU端87 FPS、板端64 FPS；5.3消融证RA-ELAN单加mAP至26.6%，全加至34.3%；5.4讨论证分区数4最优、余弦相似度最优、RA-Attention较全自注意力FLOPs自68.1G降至24.3G且mAP更高，局限分析指复杂织纹、光照不均、未知缺陷类别泛化弱仍存。
讨论与结论翻译部分，研究人员指出：尽管多数据集表现优越，FDD-YOLO仍受限——高复杂织纹引背景干扰致误漏检；工业非均匀光照与阴影降特征稳定性；监督式预定义类别对未见缺陷泛化有限；跨产线硬件多样性与边缘资源差异带来部署挑战。结论节选翻译：本文提出FDD-YOLO，一种增强型YOLO框架，通过RA-ELAN捕获长程上下文并提升微小低对比度缺陷表征且不显著增计算开销，MGF-Block以超图全局语义与轻量卷积联合学习全局结构与细粒度纹理；三数据集实验证其精度与效率兼优，适于纺织质控自动巡检。未来工作将探 pruning 与 quantization 压缩、扩至更复杂纺织品、用少样本学习提升罕见缺陷检测。
