改進YOLO?DETR的布料表面微小損傷檢測方法

摘" 要： 為準確檢測出布料表面微小損傷如缺維、漿斑、膠斑等問題，提出基于改進YOLO?DETR的布料表面微小損傷檢測方法。在改進YOLO?DETR模型中增加殘差模塊并擴展特征圖尺度，以減少漏檢可能性。在模型中融入了CBAM注意力機制和Anchor box，采用K?means聚類算法，通過選取[K]個聚類中心，并基于距離將其他目標劃分到最近的聚類中心，形成[K]個群組。在迭代過程中，通過最小化群內距離和最大化群間距離，優化聚類結果，采用復合損失函數進行檢測，增強模型在復雜環境下的識別能力。實驗結果表明，該方法檢測精度在90%以上，在面對缺維、漿斑、膠斑等復雜性問題時也有較好的檢測能力。

關鍵詞： 改進YOLO?DETR； 布料表面； 布料損傷； 損傷檢測； K?means聚類； 注意力機制

中圖分類號： TN606?34； TP391.4" " " " " " " " " 文獻標識碼： A" " " " " " " " " " "文章編號： 1004?373X（2024）13?0160?04

Improved YOLO?DETR based method for detecting minor damage on surface of fabric

HU Yuheng， WU Jin

（School of Information Science and Engineering， Wuhan University of Science and Technology， Wuhan 430080， China）

Abstract： To accurately detect minor damage on the surface of fabrics， such as lack of dimensionality， slurry spots and glue spots， an improved YOLO?DETR based method for detecting minor damage on the surface of fabrics is proposed. In the improved YOLO?DETR model， adding residual modules and expanding feature map scales can reduce the possibility of missed detections. CBAM attention mechanism and Anchor box are integrated into the model. K?means clustering algorithm is adopted. By selecting [K] cluster centers， other objects are classified into the nearest cluster center according to the distance， and then [K] groups are formed. During the process of iteration， the clustering results are optimized by minimizing intra group distance and maximizing inter group distance. A compound loss function is used for detection to enhance the recognition ability of the model in complex environments. The experimental results show that the detection accuracy of this method is over 90%， and it also has good detection ability in the face of complex situations， such as lack of dimensionality， slurry spots， and glue spots.

Keywords： improve YOLO?DETR; fabric surface; fabric damage; damage detection; K?means clustering; attention mechanism

0" 引" 言

布料及紡織制品在生產過程中不可避免地會出現磨損、撕裂、劃痕等，導致布料表面會出現微小的損傷，這些微小損傷會影響到產品的質量和功能。因此，對布料表面微小損傷進行有效檢測和評估變得尤為重要。

對此，文獻[1]提出了織物疵點檢測方法，基于MobileNet深度可分離卷積的織物疵點檢測方法改進了傳統SSD網絡，加速了特征提取，通過采樣不同尺度的卷積特征層，構建了特征圖像金字塔網絡，有效提取多尺度特征。雖然其檢測精度達到了90.1%的平均精度均值，但檢測速度不足以滿足工業實時需求，限制了其在高速生產線的應用，需要進一步提高精度。文獻[2]介紹了一種基于卷積神經網絡的創新織物瑕疵檢測技術，該方法通過對VGG16模型進行改進和簡化，細致地優化網絡參數以實現最優性能。針對織物瑕疵的大小差異，該方法將瑕疵邊緣作為檢測重點，并使用64×64像素的小圖進行訓練，從而提高網絡的分類準確率。但該方法未對VGG16網絡結構進行深度改造或引入更高級的架構，限制了網絡的潛在性能和準確性。

基于這一背景，本文提出了改進YOLO?DETR算法的布料表面微小損傷檢測方法。

1" 改進YOLO?DETR模型

本文深入探討了如何針對工業級布料表面損傷檢測的需求對YOLO?DETR模型進行改進，以達到速度和精度的最優平衡。YOLO?DETR模型是一種將DETR[3]結構與YOLOv3[4]高效性能結合起來的創新算法，融合了DETR的Encoder、Decoder和Prediction三大部分，實現了YOLOv3快速檢測與DETR準確識別的雙重優勢。

為了進一步提升檢測精度，同時保持模型的高速處理能力，本文移除了模型中的部分殘差模塊，減少了卷積層和多尺度特征融合層的數量，降低對硬件的需求，加快檢測流程。此外，為了應對融合注意力機制可能導致的檢測速度下降問題，采用深度可分離卷積替換傳統卷積[5]。卷積過程如圖1所示。

接著，在預測層前增加了三個CBL模塊和SE?C混合注意力機制模塊，這一步驟不僅深化了網絡結構，也強化了模型對于背景噪聲的抵抗能力。同時，考慮到低層特征能夠保留更豐富的原始圖像信息并具有更高的分辨率，本文將YOLO?DETR模型中的Y2路徑拼接層與淺層網絡結合[6]，創建新的52×52尺寸的Y3輸出層，解決了深層網絡中淺層低維特征丟失導致的漏檢問題。以上調整顯著提高了模型對小型目標損傷的檢測準確率。

最后，引入了多尺度長距離上下文特征提取層的概念，該層能夠有效捕獲布料表面不同尺寸的損傷信息，進一步提升了小尺度損傷的特征提取能力，使模型能夠有效提高多類別損傷的檢測準確率和精度。

2" 布料表面微小損傷檢測

在改進YOLO?DETR模型的基礎上，運用聚類分析技術對改進的YOLO?DETR模型進行了細致優化，提高模型在復雜背景下對織物微小損傷的識別能力和準確度。構建復合損失函數實現損傷檢測，優化模型在定位準確性和損傷類型識別方面的性能。

2.1" 聚類分析

在改進的YOLO?DETR模型中，聚類分析的應用關鍵在于降低圖像背景的影響，同時強化對目標瑕疵特征的重視。為此，本文引入了CBAM的混合注意力機制，優化模型對于布料表面損傷特征的識別能力，提高對損傷特征的精確識別，降低背景噪聲對檢測結果的干擾，從而使得改進后的YOLO?DETR模型在布料表面微小損傷檢測方面表現出更高的準確性和可靠性。通過卷積操作對輸入特征進行處理，并將處理結果作為CBAM模塊的輸入。利用通道注意力和空間注意力機制的雙重作用[7]，模型在輸出特征圖中更加突出關鍵信息，有利于區分出布料中的微小損傷特征。根據斷裂伸長率判斷試樣伸長率，如圖2所示。

此外，Anchor box的優化也在模型改進中扮演著重要角色。在原始的YOLO?DETR模型中，Anchor box是根據COCO和PASCAL VOC數據集的聚類結果確定的，而這些數據集中的目標尺寸差異較大。鑒于改進的YOLO?DETR模型主要用于檢測布料表面的微小損傷，本文對特定的目標類型進行了重新聚類，以獲得更加適合的Anchor box。在目標檢測中，為了確保預測框與真實框的高度重合，本文采用IoU作為度量距離的標準，其計算公式為：

[d（A，B）=1-IoU（A，B）] （1）

式中[A]、[B]分別表示物體真實框和聚類中心框集合。

改進后的模型包含一個YOLO層，分配了3個特定尺寸的Anchor box，即[K]=3，以適應微小損傷的檢測需求[8]。以下預選框尺寸（26，26）、（49，37）、（58，65）分別對應于感受野最小的層，專門用于檢測微小損傷，Anchor box極大提高了模型在織物表面微小損傷檢測方面的性能和準確度，使得模型在實際應用中能夠更有效地識別和定位布料上的微小損傷。

2.2" 損傷檢測

為了提高改進后的YOLO?DETR模型在檢測精度方面的表現，設計了一個包含三種不同計算誤差的復合損失函數進行損傷檢測，損傷檢測流程圖如圖3所示。

用于優化的網絡參數為：

[ Loss =aEclsf +bEcoord +（1-a-b）Econf ] （2）

式中：[a]表示分類誤差權重系數；[b]表示坐標誤差權重系數；[Eclsf ]表示分類誤差[9]；[Econf]表示置信度誤差；[Ecoord ]表示坐標誤差。

[Eclsf ]關注于模型在區分不同損傷類型時的性能，確保模型能準確分類各種損傷。

[Eclsf=-i=0L2Robjijc∈ classes CjilogCji+1-Cjilog1-Cji] （3）

式中：[L]表示特征圖的網格寬度；[Robjij]表示第[i]個網格的第[j]個邊框是否負責預測目標[10]，如果負責則為1，否則為0；[Cji]和[Cji]分別表示第[i]個網格預測的第[j]個邊框的目標類別概率和真實邊框的目標類別概率。

[Econf]用于評估模型預測損傷存在的置信度與實際情況之間的差異[11]，旨在提高模型預測損傷存在的準確性。

[Econf=-i=0L2j=0NRobjijFjilogFji+1-Fjilog1-Fji-][" " " " " " "i=0L2j=0NRnoobjijFjilogFji+1-Fjilog1-Fji] （4）

式中：[Fji]和[Fji]分別表示第[i]個網格預測的第[j]個邊框的置信度和真實邊框的置信度；[N]表示每個網格預測邊界框的數量[12]。

[Ecoord ]集中于模型在定位損傷具體位置方面的精度，確保損傷檢測不僅準確[13]，還能精確到具體位置。

[Ecoord =i=0L2j=0NRobjijxji-xji2+yji-yji2+i=0L2j=0NRobj ijwji-wji2+hji-hji2] （5）

式中：[xji]、[yji]、[wji]、[hji]分別表示第[i]個網格預測的第[j]個邊框的坐標信息；[xji]、[yji]、[wji]、[hji]表示第[i]個網格的真實損傷坐標信息。

通過綜合性的損失函數計算結果確定損失程度，得到布料表面微小損傷，從而實現更高的精度和效率。

3" 實驗研究

為了驗證本文提出的改進YOLO?DETR的布料表面微小損傷檢測方法的實際應用效果，選用文獻[1]基于MF?SSD網絡的檢測方法和文獻[2]基于卷積神經網絡的檢測方法進行實驗對比。

實驗過程中選擇適當分辨率的工業相機，確保高質量圖像采集，配備高質量鏡頭，提供清晰的圖像。集成先進的自適應Mura檢測算法，提高檢測的準確性和效率。通過工業級處理器確保快速而有效的圖像處理，增加GPU處理器，加速圖像處理和算法運算。集成打標裝置，根據檢測結果自動標記缺陷的位置，以便后續處理。選用的檢測對象支持涂布、印刷、塑料、橡膠、薄膜及皮革等材料，檢測寬度可調節，范圍從20～3 000 mm，檢測速度范圍為5～25 m/min，可以根據用戶需求進行調整，檢測精度可調節，范圍從10～50 μm，以滿足不同的檢測需求。

設定實驗環境如圖4所示。

根據上述實驗環境，同時針對缺維、漿斑、膠斑等問題布料進行檢測，以部分布料表面微小損傷實驗對象為例，如圖5所示。

基于上述實驗環境，進一步對實驗參數進行設置：初始學習率為0.001，使用指數衰減策略，每5個epoch衰減0.1倍，訓練輪數為20個epoch，處理尺寸為64，Anchor Box長寬比為1∶2、1∶1、2∶1的三個大小（寬度和高度方向上分別設置為128、256、512像素）。CBAM注意力機制參數：通道注意力權重為0.5，空間注意力權重為0.5；K?means聚類參數：[K]為100，迭代次數為1 000次。

不同方法對問題布料的檢測結果如圖6所示。

根據圖6可知，改進YOLO?DETR的布料表面微小損傷檢測方法對缺維、漿斑、膠斑等問題的檢測精度在95%以上，與傳統方法相比，具有較好的檢測效果。基于Transformer的YOLO?DETR方法在布料表面微小損傷檢測中，能夠全局感知布料表面的微小損傷，提高了檢測精度和魯棒性。多尺度檢測機制使YOLO?DETR還可以適應不同尺寸的目標，進一步增強了其實用性。通過自適應特征學習和端到端的訓練，簡化了流程，減少了人工干預。相較于傳統方法，YOLO?DETR在處理布料表面微小損傷檢測問題上表現出更高的效率和準確性，為相關領域帶來了革命性的突破。

4" 結" 語

針對傳統自動化布料表面損傷檢測技術效率低下和適應性差的問題，本文提出了一種基于改進YOLO?DETR算法的微小損傷檢測方法，其主要創新和成果如下：

1） 采用YOLO?DETR模型針對布料損傷進行優化，提升了檢測速度和精度，包括新增殘差模塊、特征圖擴展和深度可分離卷積，以及多尺度特征提取層，使模型更適用于高效、精確的工業應用。

2） 實驗結果顯示，本文方法在檢測復雜背景下的微小瑕疵方面，準確率顯著提升，且相比其他深度學習算法在檢測效率和適應能力上有明顯優勢。

總體而言，本文基于改進的YOLO?DETR算法提出了一種高效的布料表面微小損傷檢測方法，有效提升了檢測速度、精度，并強化了對復雜背景的識別能力。這一技術進展不僅代表了紡織品質量控制領域的重大突破，也彰顯了深度學習在工業應用中的廣闊前景。

參考文獻

[1] 黃漢林，景軍鋒，張緩緩，等.基于MF?SSD網絡的織物疵點檢測[J].棉紡織技術，2020，48（12）：11?16.

[2] 劉艷鋒，鄭云波，黃惠玲，等.基于卷積神經網絡的織物瑕疵檢測方法研究[J].信息技術與網絡安全，2020，39（11）：62?68.

[3] CARION N， MASSA F， SYNNAEVE G， et al. End?to?end object detection with transformers [C]// 16th European Conference on Computer Vision. Heidelberg， Germany： Springer， 2020： 213?229.

[4] 謝景洋，王巍，劉婷.基于YOLOv3算法的不同主干網絡對織物瑕疵檢測[J].測控技術，2021，40（3）：61?66.

[5] 于海濤，李福龍，劉亞姣，等.改進注意力機制的型鋼表面微小缺陷檢測方法[J].計算機工程與應用，2022，58（11）：250?259.

[6] 鄒旺，吉暢.一種改進YOLOv4?tiny的帶鋼表面缺陷實時檢測方法[J].機械科學與技術，2023，42（6）：883?889.

[7] 劉宜軒，程志江，吳動波，等.基于改進YOLOv5的航空發動機葉片表面缺陷檢測方法研究[J].激光雜志，2023，44（7）：57?61.

[8] 陳德富，閆坤，熊經先，等.基于改進YOLOv4的工件表面缺陷檢測方法[J].計算機應用，2022，42（z1）：94?99.

[9] 呂金銳，付燕，倪美玉，等.基于改進YOLOv4模型的番茄成熟度檢測方法[J].食品與機械，2023，39（9）：134?139.

[10] 何湘杰，宋曉寧.YOLOv4?Tiny的改進輕量級目標檢測算法[J].計算機科學與探索，2024，18（1）：138?150.

[11] 艾明璐，丁紅昌，吳智勇.改進YOLOv5s網絡的膠囊表面缺陷檢測方法[J].激光雜志，2023，44（10）：44?51.

[12] 曾飛，周健，章生，等.基于RW?YOLOv3的輸送帶表面損傷實時檢測[J].現代制造工程，2023（2）：92?98.

[13] 趙嘉威，田光兆，邱暢，等.基于改進YOLOv4算法的蘋果葉片病害檢測方法[J].江蘇農業科學，2023，51（9）：193?199.