本研究由Fatma Günseli Yaşar Çıklaçandır（İzmir Katip Çelebi大学计算机工程系）、Semih Utku（Dokuz Eylül大学计算机工程系）和Hakan Özdemir（Dokuz Eylül大学纺织工程系）共同完成，发表于 The Journal of the Textile Institute 2024年第115卷第5期（在线发表于2023年5月2日），论文标题为《Determination of various fabric defects using different machine learning techniques》。该研究属于纺织工程与计算机科学的交叉领域，主要关注纺织品制造过程中织物缺陷的自动识别与分类问题。研究背景在于人工缺陷检测存在人力成本高、效率低、检出率仅约70%等明显不足，而织物缺陷类型繁多、背景纹理变化复杂，使得传统图像处理方法难以获得稳定且高精度的识别效果。因此，该研究旨在系统比较基于不同特征提取方法与不同分类器组合的机器学习方案在织物缺陷识别中的表现，以期为纺织品质量控制中的自动化系统开发提供依据。

在研究方法上，该研究设计了两阶段实验流程：特征提取与分类。研究共构建了七种不同的特征集。FS1为对灰度共生矩阵（GLCM）进行离散余弦变换（DCT），得到4个特征；FS2为将输入图像从RGB转换至HSV颜色空间并进行阈值处理以去除缺陷背景后，再应用DCT，得到64个特征；FS3为主成分分析（PCA）降维，选取前13个主成分；FS4为直接基于GLCM计算的对比度、相关性、能量和同质性共4个统计特征；FS5为对DCT结果进行PCA并选取前13个特征；FS6为使用预训练的ResNet18（pool-5层）进行深度学习特征提取后，采用最大相关最小冗余（mRMR）特征选择得到100个特征；FS7为使用预训练的GoogLeNet（pool5-drop_7x7_s1层）进行深度学习特征提取后，同样通过mRMR选择100个特征。在分类阶段，研究使用K近邻（KNN）、支持向量机（SVM）和决策树（DT）三种监督学习算法对上述七种特征集分别进行分类。实验数据集包含两个部分：第一个是Kısaoğlu数据集，包含六类缺陷（飞花、脏经纱、松紧经、纤维纬纱、擦痕、纬向条痕）及无缺陷样本，经数据增强后共220张图像；第二个为TILDA数据集的C1-R1公开部分，包含E0（无缺陷）、E5、E6、E7四类共200张图像。评估指标包括精确率、召回率、F1值和准确率，同时采用10折交叉验证评估分类性能，并记录各特征集在不同分类器下的分类时间，进一步计算准确率与时间的比值以综合评价方法优劣。

实验结果显示，在Kısaoğlu数据集上，FS6（ResNet18+mRMR）与KNN组合获得最高准确率0.964，其次为FS5（PCA of DCT）与KNN组合的0.909。在类别层面，松紧经缺陷的平均F1值最高（0.9156），无缺陷样本最难识别（平均F1值为0.4616）。分类时间方面，FS4由于仅使用4个特征，平均分类时间最短（2.28秒），而FS6平均分类时间为4.46秒。在TILDA数据集上，FS6与SVM组合获得最高准确率0.88，FS6与KNN组合为0.84，FS7与SVM组合为0.86。类别层面，E6类缺陷的平均F1值最高（0.8537），E7类最低（0.7803）。分类时间方面，FS4同样最快（2.42秒），FS6为4.86秒。综合两个数据集的平均准确率，FS6以0.831位居第一，FS7以0.7655位列第二，FS5、FS3、FS4的准确率分别为0.7385、0.7268和0.6578，而FS1和FS2均低于0.6（分别为0.3387和0.5493）。从分类器层面看，KNN的平均准确率最高（0.6978），SVM为0.6539，DT为0.6231。在准确率/时间比方面，FS4与DT组合的比值最高（0.5504），但该组合的平均准确率仅为0.622；综合准确率、时间与比值三项标准，FS6与KNN的组合被认为是最优方案，其准确率/时间比达到0.2331，在全部21个组合中排名前列。

该研究的结论表明，基于卷积神经网络（CNN）的特征提取方法显著优于基于统计的特征提取方法，其中ResNet18结合mRMR特征选择（FS6）在两个数据集上均表现出最高的平均分类准确率。预处理操作对特征提取效果有显著影响，如DCT前采用GLCM（FS1）与HSV阈值处理（FS2）的准确率差异明显；而PCA类特征集对不同预处理方式相对稳健。在分类器比较中，KNN整体表现最佳。研究还指出，在实际生产中，检测时间与准确率同等重要，因此准确率/时间比可作为选择最优方法的综合指标。该研究的科学价值在于系统比较了传统统计特征提取与深度学习特征提取在织物缺陷识别中的性能差异，揭示了基于CNN的特征表示在复杂纹理背景下的优势。应用价值方面，该研究为纺织工业4.0背景下开发实时、高精度的织物缺陷自动检测系统提供了方法学参考，有助于制造商减少人工检测成本、提高质量控制的客观性与一致性。研究的亮点包括：构建了七种特征集与三种分类器的21种组合并进行了全面比较；将分类时间与准确率/时间比纳入评价体系，而不仅限于统计指标；使用了两个独立数据集（一个为增强后的学术数据集，另一个为公开数据集TILDA）验证方法的泛化能力；以及采用了预训练深度网络结合mRMR特征选择的策略，在较小样本条件下仍取得了较高识别率。此外，研究还指出了当前织物缺陷检测领域面临的共同挑战，如匿名公开数据库的缺乏、向工业4.0转型中人工智能与大数据技术的融合需求，以及不同数据集间结果可比性不足等问题，为后续研究指明了方向。