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(nèi)距離和最大化群間距離，優(yōu)化聚類結(jié)果，采用復(fù)合損失函數(shù)進行檢測，增強模型在復(fù)雜環(huán)境下的識別能力。實驗結(jié)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(fù)雜性問題時也有較好的檢測能力。

關(guān)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(chǎn)過程中不可避免地會出現(xiàn)磨損、撕裂、劃痕等，導(dǎo)致布料表面會出現(xiàn)微小的損傷，這些微小損傷會影響到產(chǎn)品的質(zhì)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(tǒng)SSD網(wǎng)絡(luò)，加速了特征提取，通過采樣不同尺度的卷積特征層，構(gòu)建了特征圖像金字塔網(wǎng)絡(luò)，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(yè)實時需求，限制了其在高速生產(chǎn)線的應(yīng)用，需要進一步提高精度。文獻[2]介紹了一種基于卷積神經(jīng)網(wǎng)絡(luò)的創(chuàng)新織物瑕疵檢測技術(shù)，該方法通過對VGG16模型進行改進和簡化，細致地優(yōu)化網(wǎng)絡(luò)參數(shù)以實現(xiàn)最優(yōu)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(wǎng)絡(luò)的分類準確率。但該方法未對VGG16網(wǎng)絡(luò)結(jié)構(gòu)進行深度改造或引入更高級的架構(gòu)，限制了網(wǎng)絡(luò)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(yè)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(yōu)平衡。YOLO?DETR模型是一種將DETR[3]結(jié)構(gòu)與YOLOv3[4]高效性能結(jié)合起來的創(chuàng)新算法，融合了DETR的Encoder、Decoder和Prediction三大部分，實現(xiàn)了YOLOv3快速檢測與DETR準確識別的雙重優(yōu)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(shù)量，降低對硬件的需求，加快檢測流程。此外，為了應(yīng)對融合注意力機制可能導(dǎo)致的檢測速度下降問題，采用深度可分離卷積替換傳統(tǒng)卷積[5]。卷積過程如圖1所示。

接著，在預(yù)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(wǎng)絡(luò)結(jié)構(gòu)，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(wǎng)絡(luò)結(jié)合[6]，創(chuàng)建新的52×52尺寸的Y3輸出層，解決了深層網(wǎng)絡(luò)中淺層低維特征丟失導(dǎo)致的漏檢問題。以上調(diào)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(chǔ)上，運用聚類分析技術(shù)對改進的YOLO?DETR模型進行了細致優(yōu)化，提高模型在復(fù)雜背景下對織物微小損傷的識別能力和準確度。構(gòu)建復(fù)合損失函數(shù)實現(xiàn)損傷檢測，優(yōu)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(yīng)用關(guān)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(yōu)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(jié)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(xiàn)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(jié)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(guān)鍵信息，有利于區(qū)分出布料中的微小損傷特征。根據(jù)斷裂伸長率判斷試樣伸長率，如圖2所示。

此外，Anchor box的優(yōu)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(jù)COCO和PASCAL VOC數(shù)據(jù)集的聚類結(jié)果確定的，而這些數(shù)據(jù)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(yù)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(yīng)微小損傷的檢測需求[8]。以下預(yù)選框尺寸（26，26）、（49，37）、（58，65）分別對應(yīng)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(yīng)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(xiàn)，設(shè)計了一個包含三種不同計算誤差的復(fù)合損失函數(shù)進行損傷檢測，損傷檢測流程圖如圖3所示。

用于優(yōu)化的網(wǎng)絡(luò)參數(shù)為：

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

式中：[a]表示分類誤差權(quán)重系數(shù)；[b]表示坐標誤差權(quán)重系數(shù)；[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(guān)注于模型在區(qū)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(wǎng)格寬度；[Robjij]表示第[i]個網(wǎng)格的第[j]個邊框是否負責預(yù)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(wǎng)格預(yù)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(yù)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(yù)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(wǎng)格預(yù)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(wǎng)格預(yù)測邊界框的數(shù)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(wǎng)格預(yù)測的第[j]個邊框的坐標信息；[xji]、[yji]、[wji]、[hji]表示第[i]個網(wǎng)格的真實損傷坐標信息。

通過綜合性的損失函數(shù)計算結(jié)果確定損失程度，得到布料表面微小損傷，從而實現(xiàn)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(yīng)用效果，選用文獻[1]基于MF?SSD網(wǎng)絡(luò)的檢測方法和文獻[2]基于卷積神經(jīng)網(wǎng)絡(luò)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(yè)相機，確保高質(zhì)量圖像采集，配備高質(zhì)量鏡頭，提供清晰的圖像。集成先進的自適應(yīng)Mura檢測算法，提高檢測的準確性和效率。通過工業(yè)級處理器確?？焖俣行У膱D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(jù)檢測結(jié)果自動標記缺陷的位置，以便后續(xù)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(diào)節(jié)，范圍從20～3 000 mm，檢測速度范圍為5～25 m/min，可以根據(jù)用戶需求進行調(diào)整，檢測精度可調(diào)節(jié)，范圍從10～50 μm，以滿足不同的檢測需求。

設(shè)定實驗環(huán)境如圖4所示。

根據(jù)上述實驗環(huán)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(huán)境，進一步對實驗參數(shù)進行設(shè)置：初始學習率為0.001，使用指數(shù)衰減策略，每5個epoch衰減0.1倍，訓練輪數(shù)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?。▽挾群透叨确较蛏戏謩e設(shè)置為128、256、512像素）。CBAM注意力機制參數(shù)：通道注意力權(quán)重為0.5，空間注意力權(quán)重為0.5；K?means聚類參數(shù)：[K]為100，迭代次數(shù)為1 000次。

不同方法對問題布料的檢測結(jié)果如圖6所示。

根據(jù)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(tǒng)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(yīng)不同尺寸的目標，進一步增強了其實用性。通過自適應(yīng)特征學習和端到端的訓練，簡化了流程，減少了人工干預(yù)。相較于傳統(tǒng)方法，YOLO?DETR在處理布料表面微小損傷檢測問題上表現(xiàn)出更高的效率和準確性，為相關(guān)領(lǐng)域帶來了革命性的突破。

4" 結(jié)" 語

針對傳統(tǒng)自動化布料表面損傷檢測技術(shù)效率低下和適應(yīng)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(chuàng)新和成果如下：

1） 采用YOLO?DETR模型針對布料損傷進行優(yōu)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(yè)應(yīng)用。

2） 實驗結(jié)果顯示，本文方法在檢測復(fù)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(yīng)能力上有明顯優(yōu)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(fù)雜背景的識別能力。這一技術(shù)進展不僅代表了紡織品質(zhì)量控制領(lǐng)域的重大突破，也彰顯了深度學習在工業(yè)應(yīng)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(wǎng)絡(luò)的織物疵點檢測[J].棉紡織技術(shù)，2020，48（12）：11?16.

[2] 劉艷鋒，鄭云波，黃惠玲，等.基于卷積神經(jīng)網(wǎng)絡(luò)的織物瑕疵檢測方法研究[J].信息技術(shù)與網(wǎng)絡(luò)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(wǎng)絡(luò)對織物瑕疵檢測[J].測控技術(shù)，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(yīng)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(shù)，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(fā)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(jīng)先，等.基于改進YOLOv4的工件表面缺陷檢測方法[J].計算機應(yīng)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(wǎng)絡(luò)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(xiàn)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(nóng)業(yè)科學，2023，51（9）：193?199.