本文的研究由安萌、郑飂默、王诗宇、刘信君和周琪琪等人完成，第一作者安萌来自中国科学院大学与中国科学院沈阳计算技术研究所，通信作者郑飂默来自中国科学院沈阳计算技术研究所及沈阳中科数控技术股份有限公司。该研究发表于《小型微型计算机系统》（Journal of Chinese Computer Systems）2021年5月第42卷第5期，文章编号为1000-1220(2021)05-1029-05。
从学术背景来看，该研究属于机器视觉与深度学习在纺织工业质量检测中的应用领域。面料疵点检测是服装行业生产和质量管理中的关键环节，由于设备与工艺的影响，面料表面在生产过程中容易出现各种疵点。传统的人工视觉检测模式存在劳动成本高、工作环境差、容易忽略细节、识别定位精度不高和效率低下等问题。已有的基于统计、频谱和模型构建的传统机器视觉方法虽然在一定程度上取得了效果，但由于疵点种类众多，算法的通用性和检测精度仍然有限，复杂度也较高。近年来，基于深度学习的方法在视觉系统等领域得到广泛应用，研究者们开始将卷积神经网络等技术用于织物缺陷检测。本文作者针对面料自身复杂特点以及现有疵点检测技术的不足，提出了一种基于改进Faster R-CNN的面料疵点检测方法，旨在搭建一个适用于面料疵点检测的模型架构，进一步提高检测效率与精度。
在工作流程方面，该研究首先对面料疵点数据集进行图像预处理，通过图像滤波、图像二值化、图像增强等技术去除无关信息和外界干扰，以提高检测精度。处理后的图像按照8∶1∶1的比例随机划分为训练集、测试集和验证集。训练集用于模型训练，验证集用于调整模型参数，测试集用于评估最终检测结果。由于只需要检测出疵点在面料的相对位置，本研究将所有疵点类型归为一类，以降低模型复杂度。研究使用天池布匹疵点数据集，选取6000张大小为500×375的面料图像进行实验，其中正常样本4000张，疵点样本2000张。
在方法层面，原始Faster R-CNN由区域生成网络（Region Proposal Networks，RPN）和Fast R-CNN两部分构成，共享卷积层提取特征图，RPN生成候选区域，Fast R-CNN实现候选区域分类与边界回归。针对原始模型容易忽略细节化浅层特征、不适用于小目标检测、收敛能力一般以及传统NMS算法容易漏检等问题，本文在三个阶段的网络架构中分别进行了优化。
在特征提取阶段，融合了多尺度特征金字塔网络（Feature Pyramid Network，FPN）结构。FPN将特征图经过多次上采样并融合特征到最后一层，对每一层融合后的特征图做独立预测。在原始Faster R-CNN中，无论是RPN还是Fast R-CNN，ROI Pooling都作用在最后一层，这在大目标检测中有效，但对于面料疵点中的小目标而言，当卷积池化进行到最后一层时，部分疵点信息已经无法提取。本文将FPN嵌入RPN网络中，用RPN对特征金字塔网络中每一个尺度的特征图进行提取，生成不同尺度的特征并融合作为RPN网络的输入，从而使提取到的候选区域包含丰富的疵点信息。深层卷积网络包含丰富的特征语义信息，浅层网络能提供丰富的细节信息，RPN与FPN的融合可以更好地增加细节化的浅层特征，提高了小目标疵点的检测精度。
在模型训练阶段，对softmax分类器进行正则化。softmax分类函数是卷积神经网络中最常规的分类函数，Faster R-CNN中的RPN和池化后的分类方法均采用softmax分类器。在疵点图像存在视角问题或模糊情况时，softmax分类性能会下降，出现目标检测不匹配或检测精度不高的现象。本文引入L2范式对softmax分类器进行约束，将最后一层的特征约束在同一球面内，从而减少类内间距、增大类间间距，提高分类准确性。约束后的损失函数形式为在原始softmax损失函数基础上加入L2范数约束条件，使特征的L2范数等于固定值α。
在目标检测阶段，采用soft-NMS算法代替传统的非极大值抑制（Non-Maximum Suppression，NMS）算法。传统NMS算法是一种贪心算法，将区域中置信度最高的检测框选出来后，计算剩余检测框与该检测框的重合度，将所有高于阈值的检测框直接删除。如果面料疵点检测中存在位置相近的疵点，产生的检测框大面积重合时，NMS很可能漏检目标。soft-NMS算法对重合度较高的检测框并不直接删除，而是通过重合度对检测框的置信度进行衰减。本文选用高斯函数进行重置，衰减系数与重合度的平方成正比，σ为超参数。该方法能得到比NMS更泛化的结果，有效避免疵点丢失，且算法复杂度并未提高。
在结果方面，实验将数据集分别用于改进前后的模型进行训练和测试。检测结果图显示，对于小目标的疵点，原始模型有时会发生漏检，而改进后的模型能进行准确检测与定位。在评价参数上，改进前Faster R-CNN的准确率为89.58%，精确度为89.11%，召回率为96.13%，F1值为92.47%；改进后的模型准确率达到94.67%，精确度为93.71%，召回率为98.63%，F1值为96.11%。相对原始模型，四项指标分别提高了5.09%、4.60%、2.50%和3.64%。从检测图对比中可以发现，原始模型生成的检测框大小具有局限性，当多个疵点相邻时容易误检、漏检；对于边缘模糊不清的疵点，原始模型提取不到足够特征信息，容易造成检测框定位不准，而模型改进后均能有效避免这些问题。在损失函数分析中，实验设置迭代次数为15000次，改进前的模型在迭代约9000次时开始趋于平稳，改进后的模型在迭代3000次后就开始收敛，且损失约为0.05，证明改进后的模型收敛速度更快，训练结果较为理想。
在结论方面，本文针对面料疵点检测提出了一种基于改进Faster R-CNN的检测技术，通过在基础框架中融合特征金字塔网络，并对softmax分类器和NMS算法进行改进和优化，实现了对小目标和密集疵点的准确检测。实验结果表明，相对于原始模型，改进后的模型对于面料疵点检测具有更高的准确率、泛化能力和鲁棒性。作者还指出，该研究主要集中在纹理较为简单的布匹疵点数据集上，未来将对面料种类、纹理特征和疵点类型进行深入研究，以进一步提高检测准确率。
本文的亮点在于针对原始Faster R-CNN在小目标检测场景中的不足，提出了三阶段优化方案：首先通过FPN多尺度特征提取增强了浅层细节特征的利用，使小目标疵点能够被更有效地捕捉；其次通过softmax正则化提高了分类器在疵点图像模糊或视角变化时的鲁棒性；最后引入soft-NMS算法解决了传统NMS在密集疵点场景下容易漏检的问题。这些改进使得模型在检测准确率、收敛速度和小目标检测能力方面均表现出显著优势，对纺织工业中自动化质量检测具有实际应用价值。