徐天倫，李波，胡文杰，姚為

（中南民族大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院，武漢 430074）

在棉布生產(chǎn)工業(yè)中，缺陷檢測(cè)是棉布產(chǎn)品質(zhì)量控制的重要組成部分，旨在及時(shí)有效地檢測(cè)出有缺陷區(qū)域的織物產(chǎn)品以減少由這些劣質(zhì)產(chǎn)品引起的額外經(jīng)濟(jì)損失.近年來，基于機(jī)器視覺方法的棉布瑕疵檢測(cè)也逐步在企業(yè)得到應(yīng)用［1］.

1980 年以來，在織物缺陷檢測(cè)領(lǐng)域已經(jīng)有了很多研究成果.傳統(tǒng)的棉布瑕疵檢測(cè)方法分別為頻譜法（小波變換［2］、Gabor 變換［3］）、統(tǒng)計(jì)法（數(shù)學(xué)形態(tài)學(xué)法［4］、直方圖統(tǒng)計(jì)法［5］）、模型法（隱馬爾科夫模型［6］）等.基于Gabor 濾波的織物缺陷檢測(cè)方法主要使用Gabor 濾波器提取圖像的語義特征［7］.采用數(shù)學(xué)形態(tài)學(xué)方法增強(qiáng)圖像中的缺陷區(qū)域.這些傳統(tǒng)的缺陷檢測(cè)方法可以在某些特定的織物產(chǎn)品（無圖案或規(guī)則圖案的背景）上獲得良好的效果，然而大多需要基于預(yù)定義的特征或手工特征，包括統(tǒng)計(jì)特征、結(jié)構(gòu)特征和圖像的光譜特征［8］.這意味著模型參數(shù)的配置需要一些先驗(yàn)知識(shí)或針對(duì)特定問題的研究.當(dāng)具有新設(shè)計(jì)模式的織物產(chǎn)品出現(xiàn)時(shí)，必須修改甚至重新設(shè)計(jì)這些檢測(cè)方法.

隨著深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）和圖形處理單元（GPU）計(jì)算能力的發(fā)展［9］，許多研究人員越來越重視基于CNN 等深度學(xué)習(xí)方法的目標(biāo)檢測(cè)模型［10］，如Fast RCNN［11］、Faster RCNN［12］等兩階段檢測(cè)器模型框架，這類模型首先生成一些Proposal，然后對(duì)它們進(jìn)行分類，能實(shí)現(xiàn)較好的檢測(cè)效果，但導(dǎo)致步驟繁瑣，檢測(cè)速度較慢.一階段檢測(cè)器SSD［13］、YOLO 等模型框架省去Proposal 生成過程［14］，輸入整張圖像后直接在輸出層回歸出目標(biāo)位置和類別，從而得到較快的檢測(cè)速度.基于深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)模型的缺陷檢測(cè)方法在速度、精度和適應(yīng)性上都有了較大的提升，成為了目前最為主流的研究方向.

為了進(jìn)一步提高棉布生產(chǎn)過程中瑕疵檢測(cè)算法的精度，本文結(jié)合通道注意力機(jī)制和高效的EfficientDet 目標(biāo)檢測(cè)模型［15］提出了一種基于CAEfficientDet 的棉布瑕疵檢測(cè)方法，改進(jìn)了BiFPN 特征融合，增加了不同層級(jí)的特征融合，提高了多尺度特征融合的效率.由于在工業(yè)生產(chǎn)中棉布瑕疵的樣本非常少，基于CA-EfficientDet 的棉布瑕疵檢測(cè)方法采用了數(shù)據(jù)增強(qiáng)的策略，在小目標(biāo)和低對(duì)比度樣本的條件下，瑕疵樣本檢測(cè)的精確率和速度都優(yōu)于目前使用的檢測(cè)方法.

1 EfficientDet基本原理

EfficientDet 是谷歌在2020 年提出的目標(biāo)檢測(cè)模型，EfficientNet作為主干特征提取網(wǎng)絡(luò)［16］，對(duì)于不同設(shè)備和計(jì)算資源的限制，分別包含了D0～D7 總共8個(gè)版本.EfficientDet提出了一種加權(quán)雙向特征金字塔網(wǎng)絡(luò)（BiFPN），允許簡(jiǎn)單快速的多尺度特征融合；還提出了一種復(fù)合縮放方法，同時(shí)均勻地縮放所有骨干網(wǎng)絡(luò)的分辨率、深度和寬度.EfficientDet-D0有3層BiFPN堆疊，算法模型如圖1所示［15］.

圖1 EfficientDet-D0網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Network structure of EfficientDet-D0

EfficientDet 提出了一種新的縮放方法，使用復(fù)合系數(shù)φ均勻地縮放網(wǎng)絡(luò)深度、寬度和分辨率，該方法的公式如（1）～（3）式：

其中，α、β、γ是可以通過小網(wǎng)格搜索確定的常數(shù)，φ是一個(gè)用戶指定的系數(shù)，可用于模型縮放控制資源分配，而α、β、γ分別指定如何將這些額外資源分配給網(wǎng)絡(luò)深度、寬度和分辨率.

EfficientDet 提出了加權(quán)雙向特征金字塔網(wǎng)絡(luò)BiFPN（Weighted Bi-Directional Feature Pyramid Network）使用了以下幾種優(yōu)化方法：（1）刪除只有一條輸入邊的節(jié)點(diǎn)；（2）在同一級(jí)別的輸入節(jié)點(diǎn)到輸出節(jié)點(diǎn)添加額外的邊；（3）擁有自頂向下和自底向上兩條融合特征路徑.

為了解決不同的輸入特征處于不同的分辨率貢獻(xiàn)輸出不均的問題，為每個(gè)輸入添加額外的權(quán)重，讓網(wǎng)絡(luò)了解每個(gè)輸入功能的重要性，使用了快速歸一化特征融合方法，O是特征融合的結(jié)果，公式如下：

其中，wi和wj是可學(xué)習(xí)的權(quán)重，Ii是向量，為避免數(shù)值不穩(wěn)定性ε取值0.0001.快速融合方法與基于Softmax 的融合方法具有非常相似的學(xué)習(xí)行為和準(zhǔn)確性，其中wi≥0，再通過Relu之后來確保數(shù)值的穩(wěn)定，融合特征在第6層的情況公式如下：

2 CA-EfficientDet模型設(shè)計(jì)

2.1 主干特征提取網(wǎng)絡(luò)

EfficientNet 是EfficientDet 主干特征提取網(wǎng)絡(luò)，EfficientNet-B0的網(wǎng)絡(luò)框架（B1-B7是在B0的基礎(chǔ)上修改Resolution、Channels 以及Layers）總共分成了9個(gè)Stage.第一個(gè)Stage 是一個(gè)卷積核大小為3×3、步長(zhǎng)為2 的普通卷積層（包含BN 和激活函數(shù)Swish）.Stage2～Stage8 都 是 在 重 復(fù) 堆 疊MBConv 結(jié) 構(gòu)（Layers 表示該Stage 重復(fù)MBConv 結(jié)構(gòu)多少次）.Stage9 由一個(gè)普通的1×1 的卷積層（包含BN 和激活函數(shù)Swish）、一個(gè)平均池化層和一個(gè)全連接層組成.每個(gè)MBConv 有值為1或6的倍率因子n，即MBConv中第一個(gè)1×1 的卷積層會(huì)將輸入特征矩陣的Channels 擴(kuò) 充 為n倍，k3×3 或k5×5 為MBConv 中Depthwise Conv 所采用的卷積核大小.Channels 表示通過該Stage后輸出特征矩陣通道.

2.2 MBConv結(jié)構(gòu)引入注意力模塊

注意力機(jī)制在特征提取時(shí)關(guān)注重要的信息，SE注意力［17］對(duì)模型性能的提升具有顯著效果，但通常會(huì)忽略位置信息，而位置信息對(duì)于生成空間選擇性attention maps 是非常重要.與通過二維全局池化將特征張量轉(zhuǎn)換為單個(gè)特征向量的通道注意力不同，本文使用CA 注意力模塊［18］，將通道注意力分解為兩個(gè)一維特征編碼過程，分別沿兩個(gè)空間方向聚合特征，高度和寬度的通道輸出分別為：

其中，H和W分別為垂直和水平方向上的坐標(biāo)，xc為通道特征映射.這樣可以沿一個(gè)空間方向捕獲遠(yuǎn)程依賴關(guān)系，同時(shí)可以沿另一空間方向保留精確的位置信息；然后，將生成的特征圖分別編碼為一對(duì)方向感知和位置敏感的attention maps，可以將其互補(bǔ)地應(yīng)用于輸入特征圖，以增強(qiáng)關(guān)注對(duì)象的表示.EfficientNet 使用的MBConv 結(jié)構(gòu)主要由一個(gè)1×1 的普通卷積（升維作用，包含BN 和Swish）、一個(gè)k×k的Depthwise Conv 卷積（包含BN 和Swish）、一個(gè)1×1 的普通卷積（降維作用，包含BN）、一個(gè)Dropout 層構(gòu)成.為了讓模型忽略無關(guān)信息而關(guān)注重要信息，將通道中嵌入位置信息的注意力模塊融合到MBConv結(jié)構(gòu)中，提升模型的檢測(cè)能力，改進(jìn)的MBConv 網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示.

圖2 融合CA模塊的MBConv網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 MBConv network structure with CA module

2.3 改進(jìn)的BiFPN特征融合策略

EfficientDet 使用的BiFPN（高效的雙向跨尺度連接和加權(quán)特征融合），使用雙向的特征融合路徑提高了高層級(jí)和低層級(jí)之間特征信息的傳輸效率，加入跳躍連接融合更多特征信息，刪除只有一個(gè)輸入的節(jié)點(diǎn)以簡(jiǎn)化網(wǎng)絡(luò).但BiFPN 不同層級(jí)之間也存在豐富的特征信息，為了更加充分地利用不同層級(jí)的語義和位置信息，本文在BiFPN 的基礎(chǔ)上進(jìn)行改進(jìn)，增加了不同層級(jí)之間的特征融合，提升網(wǎng)絡(luò)性能，網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，紅色線條為加入的特征融合路徑.改進(jìn)的BiFPN 特征融合在第6 層的公式如下

圖3 改進(jìn)的BiFPN網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 Network structure of improved BiFPN

式中的變量見上文變量含義說明.

3 實(shí)驗(yàn)與結(jié)果分析

3.1 樣本數(shù)據(jù)增強(qiáng)

實(shí)驗(yàn)數(shù)據(jù)集來自于企業(yè)提供的4360 張棉布瑕疵樣本，瑕疵樣本類型可分為點(diǎn)狀瑕疵point、劃痕狀瑕疵stride、線條狀瑕疵line 等類型，如圖4 所示.由于在高速攝像機(jī)采集棉布瑕疵樣本的過程中，出現(xiàn)瑕疵樣本的情況較少，且有大量重復(fù)和相似的瑕疵樣本，實(shí)際有效瑕疵樣本為94 張，其中點(diǎn)狀瑕疵為65張，劃痕狀瑕疵為6張，線條狀瑕疵為23張.實(shí)驗(yàn)中對(duì)樣本集進(jìn)行了增強(qiáng)，每輪訓(xùn)練前采取將原圖翻轉(zhuǎn)、旋轉(zhuǎn)、改變亮度、改變尺寸、加入噪聲等方式隨機(jī)增強(qiáng)，訓(xùn)練1000 輪，增廣后的數(shù)據(jù)為原來的1000 倍，線性數(shù)據(jù)增強(qiáng)是當(dāng)前一種新穎的增廣方式，得到的樣本比常規(guī)增廣方法更加豐富，可增強(qiáng)模型的魯棒性.將圖像裁剪成416×416 的統(tǒng)一大小輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到的部分?jǐn)?shù)據(jù)增強(qiáng)效果如圖5所示.

圖4 棉布瑕疵樣本類型Fig.4 Cotton defect sample types

圖5 數(shù)據(jù)增強(qiáng)效果Fig.5 Effect of data enhancement

3.2 實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置

實(shí)驗(yàn)環(huán)境主要包括：硬件環(huán)境是64 位的Windows操作系統(tǒng)，NVIDIA Tesla P40 24GB的顯卡；軟件環(huán)境是Pycharm 編程平臺(tái)下Python3.6，深度學(xué)習(xí)框架為Pytorch1.4 和Cuda9.2.由于顯卡計(jì)算能力限制且更高的版本精確率提升較小，實(shí)驗(yàn)選擇的目標(biāo)檢測(cè)框架為EfficientDet-D3版本.

訓(xùn)練過程中使用VOC2007 數(shù)據(jù)集預(yù)訓(xùn)練權(quán)重，用遷移學(xué)習(xí)的方法微調(diào)網(wǎng)絡(luò)模型的參數(shù)值，動(dòng)量值為0.9，學(xué)習(xí)率為0.001，批處理大小為4，權(quán)重衰減速率為0.0005，迭代次數(shù)為1000 次，使用Adam 優(yōu)化器動(dòng)態(tài)調(diào)整參數(shù)的學(xué)習(xí)步長(zhǎng)，損失函數(shù)為Focal Loss，IoU 為0.5，當(dāng)預(yù)測(cè)框與標(biāo)記框重合比例達(dá)到0.5，則為正確預(yù)測(cè).樣本數(shù)據(jù)集劃分為10等份，9份用于訓(xùn)練，1 份用于測(cè)試，其中有瑕疵圖片為正樣本，無瑕疵圖片為負(fù)樣本.

3.3 企業(yè)樣本集實(shí)驗(yàn)結(jié)果及分析

棉布瑕疵檢測(cè)需要得到目標(biāo)檢測(cè)框的位置信息和分類結(jié)果.評(píng)估指標(biāo)主要包括精確率（P）、召回率（R）、平均精確率（AP）、精度和召回率的調(diào)和平均數(shù)（F1）和平均AP（mAP），公式如（11）～（15）式：

其中，TP是檢測(cè)為正樣本且實(shí)際為正樣本的例子，F(xiàn)P是檢測(cè)為正樣本但實(shí)際為負(fù)樣本的例子，F(xiàn)N是檢測(cè)為負(fù)樣本但實(shí)際是正樣本的例子.點(diǎn)狀瑕疵、劃痕狀瑕疵和線條狀瑕疵的精確率分別為98.82%、77.89%和96.67%，F(xiàn)1分?jǐn)?shù)為分別為85.34%、74.60%和91.10%.精確率、召回率和F1 分?jǐn)?shù)都存在單點(diǎn)值的局限性，平均精確率AP是最能反映全局性能的指標(biāo)，3 種瑕疵類型的平均精確率AP分別為88.99%、78.91%和97.80%，mAP為88.57%，結(jié)果如圖6所示，由此可見模型訓(xùn)練結(jié)果具有良好的分類檢測(cè)能力.

圖6 點(diǎn)狀、劃痕狀和線條狀瑕疵的平均精確率Fig.6 Average precision of point，stride and line defects

為了體現(xiàn)該棉布瑕疵檢測(cè)模型的分類檢測(cè)能力，將該模型與目前常用的模型進(jìn)行對(duì)比實(shí)驗(yàn)，包括一階段目標(biāo)檢測(cè)模型Yolo v4、兩階段目標(biāo)檢測(cè)模型Faster RCNN 和CA-EfficientDet-D0 版本，這幾種模型的檢測(cè)效果對(duì)比如圖7 所示.Faster RCNN 模型可以正確分類點(diǎn)狀和線條狀的瑕疵，但把劃痕狀瑕疵錯(cuò)誤分類為點(diǎn)狀瑕疵，由于劃痕狀瑕疵樣本比例相對(duì)較少，模型訓(xùn)練的分類檢測(cè)能力較弱以至于把該劃痕瑕疵錯(cuò)誤分類.Yolo v4 模型正確分類點(diǎn)狀和線條狀瑕疵，而把劃痕狀瑕疵同時(shí)預(yù)測(cè)分類為點(diǎn)狀瑕疵和劃痕狀瑕疵，該瑕疵沒有完全錯(cuò)誤分類，但分類能力還不理想.CA-EfficientDet-D0 模型只能正確分類線條狀瑕疵，把點(diǎn)狀瑕疵錯(cuò)誤分類為劃痕狀瑕疵，劃痕狀瑕疵錯(cuò)誤分類為點(diǎn)狀瑕疵，該模型對(duì)于特征比較接近的小目標(biāo)分類預(yù)測(cè)能力較弱.CAEfficientDet-D3可以正確分類點(diǎn)狀、劃痕狀和線條狀瑕疵，可見該模型對(duì)樣本比例較少的瑕疵類型和特征較為接近的小目標(biāo)都有較好的分類檢測(cè)能力.這幾種目標(biāo)檢測(cè)模型的效果對(duì)比圖顯示：CAEfficientDet-D0 版本的模型的檢測(cè)能力比Faster RCNN 模型更好，比Yolo v4 稍差一些但錨框精度更高，CA-EfficientDet-D3 模型的分類能力和檢測(cè)精度都明顯高于Yolo v4 和Faster RCNN，具有較好的棉布瑕疵目標(biāo)檢測(cè)能力.

圖7 幾種目標(biāo)檢測(cè)模型效果對(duì)比Fig.7 Effect comparison of several target detection models

以上幾種目標(biāo)檢測(cè)模型用棉布瑕疵樣本對(duì)比實(shí)驗(yàn)的相關(guān)指標(biāo)Ppoint為點(diǎn)狀瑕疵的精確率，Pstride為劃痕狀瑕疵的精確率，Pline為線條狀瑕疵的精確率，F(xiàn)1point為點(diǎn)狀瑕疵的F1 分?jǐn)?shù)，F(xiàn)1stride為劃痕狀瑕疵的F1 分?jǐn)?shù)，F(xiàn)1line為線條狀瑕疵的F1 分?jǐn)?shù)，APpoint為點(diǎn)狀瑕疵的平均精確率，APstride為劃痕狀瑕疵的平均精確率，APline為線條狀瑕疵的平均精確率，mAP為所有類的AP平均值，mAP值最能衡量目標(biāo)檢測(cè)模型的分類檢測(cè)能力.由于樣本集瑕疵類型比例不均衡的特點(diǎn)，劃痕狀瑕疵占比過少，且部分劃痕狀瑕疵與點(diǎn)狀瑕疵特征較為接近，劃痕狀瑕疵類型的各項(xiàng)指標(biāo)數(shù)值相對(duì)較低，尤其是在檢測(cè)能力較弱的模型中，由于劃痕狀樣本數(shù)量不平衡，導(dǎo)致F1 分?jǐn)?shù)相對(duì)較低.由表1可知，CA-EfficientDet-D3模型的mAP比CA-EfficientDet-D0 版本 高出22.30%，比Faster RCNN 模型高出35.56%，比Yolo v4 高出14.15%，分類檢測(cè)能力較好.CA-EfficientDet-D3 模型檢測(cè)一張圖片的時(shí)間為1.69 s，檢測(cè)速度大約是Faster RCNN模型的5 倍，大約是Yolo v4 模型的1.6 倍，由于CAEfficientDet-D3 模型網(wǎng)絡(luò)結(jié)構(gòu)中又加了3 層BiFPN模塊堆疊以達(dá)到更好的特征融合效果，增大了模型的網(wǎng)絡(luò)參數(shù)和時(shí)間開銷，檢測(cè)時(shí)間相比于CAEfficientDet-D0 增加了，但仍滿足實(shí)時(shí)要求，且在檢測(cè)速度上相比其他模型有著更好的表現(xiàn).可見，本文提出的CA-EfficientDet-D3 目標(biāo)檢測(cè)模型在分類檢測(cè)能力和檢測(cè)速度上均優(yōu)于目前主流的目標(biāo)檢測(cè)模型，且在樣本不均衡時(shí)依然具有高效的目標(biāo)檢測(cè)能力.

表1 幾種目標(biāo)檢測(cè)模型對(duì)比Tab.1 Comparison of several target detection models

3.4 消融實(shí)驗(yàn)

為了評(píng)價(jià)目標(biāo)檢測(cè)模型檢測(cè)能力提升的重要性，對(duì)改進(jìn)的BiFPN 模塊和通道注意力模塊進(jìn)行了一系列的消融實(shí)驗(yàn)，基本的EfficientDet-D3 框架為目標(biāo)檢測(cè)模型的baseline.由表2 可知，基于baseline的mAP值只有85.90%，只加入改進(jìn)的BiFPN 模塊mAP提升了1.15%，只加入通道注意力模塊mAP提升了2.17%，加入改進(jìn)的BiFPN 模塊和通道注意力模塊mAP提升了2.67%，改進(jìn)的BiFPN 模塊和通道注意力模塊在提升檢測(cè)精度的同時(shí)，增加了網(wǎng)絡(luò)模型的參數(shù)，會(huì)增加時(shí)間開銷，工業(yè)生產(chǎn)中目前的檢測(cè)方法已經(jīng)基本達(dá)到實(shí)時(shí)性要求，因而更加重視檢測(cè)精確率的提升.可見EfficientDet-D3 模塊加入改進(jìn)的BiFPN模塊和通道注意力模塊后具有更優(yōu)的棉布瑕疵檢測(cè)能力.

表2 模型消融實(shí)驗(yàn)Tab.2 Model ablation experiment

3.5 MVTec AD公開數(shù)據(jù)集測(cè)試

棉布的材質(zhì)和紋理圖案的復(fù)雜多樣性對(duì)棉布檢測(cè)方法提出了更高的要求，為了檢驗(yàn)算法的適應(yīng)性，在MVTec AD 公開數(shù)據(jù)集［19］進(jìn)行測(cè)試.MVTec AD 包含15 種工業(yè)缺陷數(shù)據(jù)集，選擇其中的布匹缺陷樣本Carpet進(jìn)行測(cè)試，瑕疵種類包括染色瑕疵、金屬瑕疵（金屬劃破的瑕疵）、破洞瑕疵.布匹缺陷樣本共50 張，染色瑕疵樣本18 張，金屬瑕疵樣本16張，破洞瑕疵樣本16 張.布匹缺陷樣本的部分瑕疵類型檢測(cè)結(jié)果如圖8 所示，模型訓(xùn)練和測(cè)試的結(jié)果可得染色瑕疵的AP值為91.76%，金屬瑕疵的AP值為89.93%，破洞瑕疵的AP值為90.34%，布匹缺陷樣本瑕疵檢測(cè)的mAP為90.68%，在不同紋理背景下依然具有很好的檢測(cè)能力，表明該檢測(cè)算法具有良好的適應(yīng)性.由表3 可見，由于企業(yè)樣本集樣本不均衡，并且弱對(duì)比度的樣本特征相對(duì)不明顯，目標(biāo)檢測(cè)模型在MVTec AD 數(shù)據(jù)集上的各項(xiàng)指標(biāo)均優(yōu)于企業(yè)樣本數(shù)據(jù)集，表明提高數(shù)據(jù)集的質(zhì)量，該模型會(huì)有更高效的棉布瑕疵檢測(cè)能力.本文對(duì)該公開數(shù)據(jù)集和其他已有工作進(jìn)行對(duì)比.采用其他文獻(xiàn)［19］使用AUC 來衡量檢測(cè)性能的指標(biāo)，見表4，公開數(shù)據(jù)集中布匹缺陷類別的樣本使用AE（SSIM）方法［19］得到的AUC 為0.87，本文方法得到的AUC 值為0.93，在AUC 指標(biāo)上也有一定的提升. 可見，基于CAEfficientDet的棉布瑕疵檢測(cè)方法在公開數(shù)據(jù)集上也有良好的表現(xiàn).

表3 本文模型的不同數(shù)據(jù)集結(jié)果對(duì)比Tab.3 The comparison results of different data sets of this model

表4 檢測(cè)方法對(duì)比Tab.4 Comparison of detection methods

圖8 公開數(shù)據(jù)集的測(cè)試結(jié)果Fig.8 Test results of public data sets

4 結(jié)論

本文結(jié)合通道注意力機(jī)制和EfficientDet 目標(biāo)檢測(cè)模型提出了基于CA-EfficientDet 的棉布瑕疵檢測(cè)方法，在特征提取時(shí)關(guān)注重要的信息.改進(jìn)的BiFPN 特征融合，增加了不同層級(jí)的特征融合，提高了多尺度特征融合的效率.在棉布瑕疵樣本上的實(shí)驗(yàn)結(jié)果表明：基于通道注意力機(jī)制的高效棉布瑕疵檢測(cè)模型具有良好的目標(biāo)檢測(cè)能力.未來的相關(guān)工作中，將從以下3 個(gè)方面進(jìn)行改進(jìn)：（1）棉布瑕疵樣本很少，針對(duì)小樣本數(shù)據(jù)集的特征，提高模型對(duì)小樣本數(shù)據(jù)集的目標(biāo)檢測(cè)效果；（2）模型在檢測(cè)精度大幅度提升的同時(shí)，網(wǎng)絡(luò)模型的參數(shù)也變得更大，增加了時(shí)間開銷，以后還要研究如何壓縮目標(biāo)檢測(cè)模型的大小；（3）在樣本數(shù)據(jù)集類別不均衡的情況下，提高模型的檢測(cè)能力.