| 14 | 0 | 79 |
| 下载次数 | 被引频次 | 阅读次数 |
针对布匹瑕疵检测任务，系统梳理深度学习技术的应用进展。总结布匹瑕疵检测领域中面临的尺度多样、形状不规则、样本不平衡及高实时性要求等难点。分析分类网络、检测网络、分割网络及自注意力机制等方法的特点：分类网络特征提取强但定位能力弱；两阶段检测算法精度高但速度慢，单阶段检测算法速度与精度间较平衡；分割网络可实现像素级分割；自注意力机制增强了对全局特征的捕捉能力。最后，指出未来趋势，包括模型轻量化、多模态融合、小样本学习、小目标检测优化及无监督学习等方向，以推动工业场景应用。
Abstract：Recent advances in the application of deep learning techniques to fabric defect detection were systematically reviewed. The principal challenges in this field were summarized, including multi-scale variations, irregular shapes, sample imbalance, and high real-time requirements. The characteristics of various approaches were analyzed: classification networks offer strong feature extraction but weak localization capability; two-stage detection algorithms achieve high accuracy but at a slow speed, whereas one-stage detection algorithms strike a balance between speed and accuracy; segmentation networks enable pixel-level segmentation; and self-attention mechanisms enhance the capture of global features. Finally, future trends were identified, including model lightweighting, multimodal fusion, few-shot learning, small-object detection optimization, and unsupervised learning, with the aim of promoting industrial applications.
[1] 张凯旋，杜景林.改进YOLOv5的布匹缺陷检测方法[J].现代电子技术，2024,47(20):109-117.
[2] 解祥新，金彬，魏燕.基于支持向量机的单分类布匹疵点检测算法[J].无线互联科技，2022,19(13):150-152.
[3] 罗欣攀，李娜娜.小样本学习在纺织品缺陷检测中的新发展[J].纺织科技进展，2024,46(9):1-8,22.
[4] 施勇.计算机技术在纺织工业中的应用[J].西部皮革，2025,47(1):43-45.
[5] 刁宇涵，祝双武，赵妍.面向织物疵点检测神经网络模型的研究进展[J].纺织科技进展，2025,47(3):21-29.
[6] 俞文静，刘航，李梓瑞，等.基于图像增强和CNN的布匹瑕疵检测算法[J].计算机技术与发展，2021,31(5):90-95.
[7] 孙羽，何志勇，张浩，等.基于DCNN的布匹疵点检测方法[J].中国科技信息，2021(2):92-95.
[8] 罗维平，徐洋，陈永恒，等.基于迁移学习和改进ResNet50网络的织物疵点检测算法[J].毛纺科技，2021,49(2):71-78.
[9] 顾德英，陈龙，李文超，等.基于深度学习的复杂图案印花织物疵点检测[J].棉纺织技术，2022,50(3):14-18.
[10] Girshick R,Donahue J,Darrell T,et al.Rich feature hierarchies for accurate object detection and semantic segmentation[PP/OL].arXiv(2014-10-22)[2025-11-29].http://doi.ogr/10.48550/arXiv.1311.2524.
[11] Girshick R.Fast R-CNN[PP/OL].arXiv(2015-09-27)[2025-11-29].http://doi.org/10.48550/arXiv.1504.08083.
[12] Ren S,He K,Girshick R,et al.Faster R-CNN:Towards real-time object detection with region proposal networks[PP/OL].arXiv(2016-01-06)[2025-12-05]http://doi.org/10.48550/arXiv.1506.01497.
[13] 白明丽，王明文.基于改进Cascade R-CNN的布匹瑕疵检测算法[J].计算机科学，2023,50(S1):322-327.
[14] 车翔玖，刘华罗，邵庆彬.基于Fast RCNN改进的布匹瑕疵识别算法[J].吉林大学学报(工学版),2019,49(6):2038-2044.
[15] 蔡兆信，李瑞新，戴逸丹，等.基于Faster RCNN的布匹瑕疵识别系统[J].计算机系统应用，2021,30(2):83-88.
[16] 费利斌，徐洋，余智祺，等.基于改进Faster R-CNN的花色布瑕疵检测算法[J].东华大学学报(自然科学版),2022,48(2):75-80.
[17] 安萌，郑飂默，王诗宇，等.一种改进Faster R-CNN的面料疵点检测方法[J].小型微型计算机系统，2021,42(5):1029-1033.
[18] 岑伟迪，江佳玲，黄勃，等.YOLO十年演进：从实时检测先锋到多任务智能前沿[J].武汉大学学报(理学版),2026,72(1):5-20.
[19] 张丽瑶，王志鹏，徐功平.基于SSD的织物瑕疵检测的研究[J].电子设计工程，2020,28(6):40-44.
[20] 伍洪健，邓作杰，章银萍，等.基于YOLOv3的布匹瑕疵检测方法[J].湖南工程学院学报(自然科学版),2023,33(3):39-43.
[21] 魏龙，王羿，姚克明.基于改进YOLOv4的小目标检测方法[J].软件导刊，2021,20(7):54-58.
[22] 翟浩，娄瑶迪，刘文浩，等.基于YOLOv5的轻量级布匹瑕疵检测算法[J].杭州师范大学学报(自然科学版),2025,24(1):1-8.
[23] 郭殿鹏，柯海森，李孝禄，等.基于改进YOLOv7的织物疵点检测算法[J].棉纺织技术，2023,51(12):5-11.
[24] 胡经纬，龚闯，江维，等.基于自适应YOLOv8-DAC的布匹疵点定位与识别方法[J].纺织工程学报，2025,3(4):70-81.
[25] 龙玥，韩军，孙园，等.改进型SSD网络的织物瑕疵检测算法[J].厦门理工学院学报，2022,30(5):64-73.
[26] 潘海鹏，陈小梦，任佳，等.DeepLabv3++:一种基于语义分割的布匹瑕疵检测模型[J].光电子·激光，2025,36(6):605-615.
[27] Jing Junfeng,Wang Zhen,Rätsch M,et al.Mobile-Unet:An efficient convolutional neural network for fabric defect detection[J].Textile Research Journal,2020,92(1-2):30-42.
[28] 于光许，张富宇.基于改进Res-UNet网络的织物瑕疵图像识别方法[J].毛纺科技，2024,52(7):100-106.
[29] 胡越杰，蒋高明.SwinBN:一种基于Swin Transformer的针织物疵点检测模型[J].丝绸，2023,60(1):59-69.
[30] 雷承霖，李敏，王斌.基于Swin Transformer的两阶段织物疵点检测[J].棉纺织技术，2023,51(2):41-47.
[31] 邱健数，项朝辉，钱月钟.基于改进Swin Transformer的花色布匹瑕疵检测算法[J].电脑知识与技术，2024,20(13):9-13.
基本信息:
DOI：10.19507/j.cnki.1673-0356.2026.10.014
中图分类号:TP18;TP391.41;TS107
引用信息:
[1]陈星,杨婷,阮殿旭.基于深度学习的布匹瑕疵检测研究进展[J].纺织科技进展,2026,48(10):15-20.DOI:10.19507/j.cnki.1673-0356.2026.10.014.
基金信息:
沙洲职业工学院2025年新进教师科研基金培育项目(JJPY202503);沙洲职业工学院2025年教师企业实践课题项目(QYSJ25016)
2025-12-05
2025
2025-12-11
2026-01-05
2026
1
2026-10-25
2026-10-25