本研究由Dong Wu、Hao Guo、Mengqi Chen、Lingjie Yu、Lisheng Wang及Yuming Zhang等人完成，主要作者来自西安工程大学（Xi’an Polytechnic University）纺织科学与工程学院、陕西省功能服装面料重点实验室（Key Laboratory of Functional Apparel Fabrics of Shaanxi Province）、绍兴理工学院（Shaoxing Institute of Technology）纺织服装与设计学院以及Jieliya Xinyue Silk Road Co., Ltd.。通讯作者为Yuming Zhang。该论文发表于MDPI旗下的开放获取期刊 Information，文章编号为17, 870，于2026年9月9日正式发表。

本研究属于纺织工程与计算机视觉交叉领域，核心科学问题是织物缺陷检测（fabric defect detection）。织物缺陷检测在纺织品生产与质量控制中至关重要，因为缺陷织物在市场上的价格通常会下降45%至65%，显著增加生产成本。传统的人工目视检测方法耗时费力，且容易受到光照、噪声、低对比度以及织物表面不均匀等因素的干扰，难以保证检测精度和一致性。近年来，基于卷积神经网络（Convolutional Neural Network, CNN）的目标检测方法，如Faster R-CNN，在织物缺陷检测中展现出强大的学习能力。然而，由于织物缺陷在整幅图像中所占比例通常较小，尤其是窄小的纱线缺陷（yarn defects），其特征微弱，现有方法在提取这些细微特征时仍存在困难。注意力机制（attention mechanism）能够使网络更加关注缺陷区域，从而提高检测精度。其中，卷积块注意力模块（Convolutional Block Attention Module, CBAM）是一种轻量且通用的注意力模块，可以无缝集成到CNN架构中。已有研究表明，CBAM的嵌入位置和数量会显著影响模型性能，但此前缺乏系统性的研究来探讨在Faster R-CNN中CBAM的最佳嵌入位置。因此，本研究旨在系统探讨CBAM在Faster R-CNN骨干网络ResNet50中不同嵌入位置对织物缺陷检测性能的影响，并寻找能够最大化CBAM贡献的配置。

本研究的工作流程分为数据集构建、模型改进与实验设计、模型训练与评估以及对比分析四个主要环节。首先，研究团队构建了一个包含6317张织物缺陷图像的专用数据集，图像来源包括服装工厂、文献资料以及“雪浪制造AI挑战赛”。数据集涵盖四类主要缺陷：污渍（stains）、破洞（holes）、浮长（floats）和纱线缺陷（yarn defects），其中纱线缺陷又包括断纬、缺纬、双纬、断经和缺经等子类别。所有图像统一调整为500×500像素，并按照90%训练验证集和10%测试集的比例进行随机划分。训练验证集进行了颜色转换和旋转增强，测试集保持不变。图像使用LabelImg进行标注并转换为PASCAL VOC格式。

在模型改进方面，本研究以Faster R-CNN为基线模型，选择ResNet50作为特征提取骨干网络。CBAM由通道注意力模块（Channel Attention Module, CAM）和空间注意力模块（Spatial Attention Module, SAM）依次组成，能够对输入特征图进行自适应特征细化。研究团队在ResNet50的不同节点（n0至n4）设计了七种CBAM嵌入配置，分别标记为pos1至pos7。pos1将CBAM嵌入所有节点n0至n4；pos2仅在n0处嵌入；pos3仅在n4处嵌入；pos4在n1至n3处嵌入；pos5在n1至n4处嵌入；pos6在n2至n4处嵌入；pos7仅在n3和n4处嵌入。实验设计遵循从全嵌入到逐步缩小嵌入范围的过程，以系统评估不同位置的影响。

在模型训练与评估方面，实验使用Python 3.6和PyTorch 1.8.0框架，在配备RTX3090 GPU和62 GB内存的服务器上进行。训练共进行200个epoch，初始100个epoch使用学习率1×10⁻⁴，后100个epoch采用迁移学习策略，将学习率降低至1×10⁻⁵。优化器采用Adam，批量大小（batch size）设置为64。区域建议网络（Region Proposal Network, RPN）使用3×3滑动窗口生成锚框，并通过非极大值抑制（Non-Maximum Suppression, NMS）筛选候选区域。模型性能通过平均精度（Average Precision, AP）和平均精度均值（mean Average Precision, mAP）进行评估，IoU阈值设定为0.5，置信度阈值为0.05，NMS的IoU阈值为0.5。

实验结果表明，不同CBAM嵌入位置对检测性能的影响存在明显差异。在八种检测模型中，基线Faster R-CNN的mAP为77.58%。pos1（全节点嵌入）的mAP为78.14%，提升幅度较小，说明不加区分地在所有位置插入CBAM只能带来有限改进。pos2（仅在n0处嵌入）的mAP为77.72%，几乎与基线持平，表明在特征提取网络的前端嵌入CBAM可能抑制有用的低级特征信息，对目标检测不利。pos3（仅在n4处嵌入）的mAP为79.82%，优于网络前端嵌入，说明在骨干网络末端嵌入CBAM更有益。pos4（n1至n3嵌入）的mAP为79.03%。pos5（n1至n4嵌入）的mAP达到80.10%，为较优配置之一。pos6（n2至n4嵌入）的mAP为78.94%。pos7（n3和n4嵌入）的mAP为80.18%，在七种配置中表现最佳，较基线Faster R-CNN提升了2.6个百分点。在各类缺陷的AP值上，pos7在浮长缺陷上达到86.75%，污渍缺陷为85.49%，纱线缺陷为67.25%，其中纱线缺陷的AP较基线的61.28%提升了5.97个百分点。pos5在纱线缺陷上的AP也提升了4.00个百分点，达到65.28%。这些结果表明，在特征提取网络的较后阶段（尤其是n3和n4节点）嵌入CBAM能有效增强窄缺陷相关特征的表示，减少织物表面不均匀或褶皱带来的干扰。相比之下，在n0节点前端嵌入CBAM会对性能产生不利影响。通过与M2Det和YOLOv3等其他先进检测器的对比，本方法在mAP上取得了最高值80.18%，优于M2Det的79.64%和YOLOv3的79.92%，进一步验证了所提CBAM嵌入策略的竞争力。

本研究的结论表明，在Faster R-CNN中合理嵌入CBAM可以显著提升织物缺陷检测性能，尤其是在窄纱线缺陷的识别上。pos7（仅在n3和n4处嵌入）和pos5（在n1至n4处嵌入）分别取得了2.60和2.52个百分点的mAP提升，证明CBAM的效能不仅取决于数量，更取决于其位置。本研究的主要亮点在于系统性地探索了CBAM在ResNet50中的最佳嵌入位置，而非简单地将CBAM加入网络，这在已有文献中较为少见。此外，研究通过构建包含多种真实缺陷类型的数据集，验证了所提方法在实际复杂背景下的有效性。该研究在科学上为注意力机制在目标检测网络中的合理集成提供了实验依据，在应用上为纺织制造业中自动化和精确的织物质量检测提供了一种可行方案，具有降低生产成本和提高质量控制的潜力。然而，文章也指出基于深度学习的检测方法对硬件要求较高，未来可探索以注意力机制为核心的轻量化网络框架，以兼顾精度与效率。