基于遗传算法优化的Gabor滤波器改进Faster R-CNN的织物疵点检测研究报告
一、 研究概述与发表信息
本报告基于一篇题为《Improved faster R-CNN for fabric defect detection based on Gabor filter with Genetic Algorithm optimization》的原创性研究论文。该研究由来自西安工程大学（Xi’an Polytechnic University）纺织科学与工程学院及智能纺织材料与制品国家重点实验室的Mengqi Chen, Lingjie Yu, Chao Zhi, Runjun Sun, Shuangwu Zhu, Zhongyuan Gao, Zhenxia Ke, Mengqiu Zhu，以及绍兴文理学院元培学院（Shaoxing University Yuanpei College）的Yuming Zhang共同完成。其中，Lingjie Yu、Chao Zhi和Yuming Zhang为通讯作者。该研究成果于2021年10月29日在线发表于Elsevier旗下的学术期刊《Computers in Industry》第134卷上。
二、 研究学术背景
本研究属于纺织工程、计算机视觉与深度学习交叉的前沿领域，主要聚焦于自动化织物疵点检测（Fabric Defect Detection）。在纺织品生产过程中，不可避免地会产生各类疵点，这些疵点严重影响最终产品的视觉外观和机械性能。因此，疵点检测是质量控制和检验环节的核心任务。传统的人工目视检测方法存在主观性强、效率低、易因视觉疲劳导致误判等不可靠因素。为此，基于计算机检测的方法在过去几十年得到了广泛发展。
这些方法主要分为两大类：传统图像处理方法和基于卷积神经网络（Convolutional Neural Networks, CNNs）的深度学习方法。传统方法（如统计分析、结构分析、光谱分析）通常依赖于手工设计的特征提取器，例如灰度共生矩阵（Gray Level Co-occurrence Matrix, GLCM）、小波变换（Wavelet Transform）和Gabor滤波（Gabor Filtering）等。然而，这些方法往往只在处理边缘明显、背景单一的织物时效果较好，对于复杂多变的纹理背景泛化能力有限。近年来，以Faster R-CNN为代表的CNN模型在目标检测任务中表现出色，它们能够自动从数据中学习层次化的特征。然而，在织物疵点检测这一特定任务中，复杂的织物背景纹理（如褶皱、织法纹路）会对检测模型造成严重的干扰，使得现有CNN模型面临巨大挑战。Gabor滤波器在频率和方向上的表示与人类视觉系统类似，非常适合于纹理分析与滤除，但其性能高度依赖于滤波器参数（方向θ、波长λ、空间纵横比γ等）的设置，而依靠经验调参无法适应种类繁多的织物纹理。
基于上述背景，本研究的目标是提出一种新型的织物疵点检测模型，以解决复杂背景纹理对检测精度造成的干扰问题。具体思路是将Gabor滤波器与Faster R-CNN深度学习模型进行融合，并利用遗传算法（Genetic Algorithm, GA）智能地优化Gabor滤波器的参数，从而实现对不同织物纹理的自适应滤波，同时以最终检测精度为指标来引导优化过程，寻求模型性能的最优解。
三、 研究工作流程详述
本研究的主要工作流程包括四个紧密相连的环节：提出新型网络结构（Faster GG R-CNN）、设计两阶段训练方法、采集并制备数据集、以及进行对比实验与性能评估。
1. Faster GG R-CNN网络结构设计 研究的核心创新在于模型结构的改进。研究者以经典的Faster R-CNN为基线网络，创新性地构建了“GA优化的Gabor增强型Faster R-CNN”（Faster GG R-CNN）模型。其结构流程为：首先，将一幅500像素×500像素的织物图像作为输入。紧接着，网络的第一层为一个创新引入的、参数待优化的Gabor滤波卷积层。该层负责对输入图像进行纹理滤除，以降低织物背景干扰。随后，经过滤波的图像被送入一个预训练好的ResNet50骨干网络进行深度特征提取，生成2048层的特征图（Feature Maps）。ResNet50包含四个主要的卷积块（conv_2, conv_3, conv_4, conv_5），分别被重复了3、4、6、3次。然后，生成的共享特征图分别进入两个关键模块：区域提议网络（Region Proposal Network, RPN）和感兴趣区域池化层（Rol Pooling）。RPN以3×3的滑动窗口扫描特征图，生成一系列可能包含目标的锚框（Anchor Boxes），并通过Softmax层进行前景与背景的二分类判断以及边界框的初步回归。Rol Pooling层则负责将这些不同尺寸的区域提议标准化为固定尺寸。最后，分类与回归模块通过全连接层和Softmax层对标准化后的提议区域进行精确的疵点类别分类和最终边界框定位。值得注意的是，引入Gabor层的直接好处在于，它能通过抑制背景纹理来减少RPN网络产生的冗余锚框和提议区域，从而降低后续模块的计算量。
2. 基于GA和反向传播的两阶段训练方法 针对Faster GG R-CNN模型，研究者设计了一种高效的两阶段训练策略。第一阶段，训练除Gabor层之外的所有网络权重参数。该阶段采用传统的反向传播（Back-propagation）方法，基于一个由分类损失和位置回归损失组成的联合损失函数，对ResNet50、RPN以及最终分类回归层的参数进行梯度更新。这一阶段共训练了2000个周期（Epoch），前50个周期学习率为1e-4，之后降为1e-6。第二阶段，则独立于反向传播，利用遗传算法（Genetic Algorithm, GA）专门优化Gabor层的三个核心参数（θ, λ, γ）。如此设计的原因是，对于只有三个需要优化参数的Gabor层，使用计算量巨大的反向传播来进行梯度计算和权重更新效率极低。采用GA更为节能高效。此阶段的流程为：首先，从一个随机生成的参数组合（染色体）种群开始。然后，将每组参数构成的Gabor层置于已完成第一阶段训练的网络前端，这构成了一个完整的个体。评价每个个体优劣的关键在于其适应度函数（Fitness Function）的设计。本研究独到地采用了模型最终的评价指标——平均精度（Average Precision, AP）作为适应度函数，而非以往研究中使用的图像熵等间接指标。这使得GA的优化目标直接与最终检测精度对齐，确保筛选出的Gabor参数能“帮助整个模型最好地识别织物疵点”。经过选择、交叉、变异等遗传操作，多代迭代后即可获得最优的Gabor核参数。为了确定GA自身的最佳运行参数（如种群规模、交叉率、变异率和迭代代数），研究者还设计了一个11水平4因素的均匀设计实验U11(11⁴)，以模型的平均精度均值（mean Average Precision, mAP）和GA运行时间为评价指标，通过二次多项式逐步回归分析，建立了回归方程并进行了显著性检验（R²值均接近1，模型显著），最终确定了以检测精度为优先的GA最优参数组合。
3. 织物疵点图像数据集的制备 研究团队从成衣工厂、文献资料及“雪浪制造AI挑战赛”等多个来源收集并定制了一个包含6316张织物图像的数据集。该数据集涵盖了四种主要的疵点类型：破洞（1341张）、污渍（1772张）、浮纱（1599张）和纱疵（1604张，包括断纬、缺纬、双纬、断经、缺经等）。为扩充数据集，所有图像被统一缩放至500像素×500像素，并应用了颜色转换和旋转等数据增强技术。最终，数据集按90%和10%的比例被划分为训练验证集和测试集。
4. 性能评估与对比实验设计 为全面评估模型性能，研究采用多次实验。首先，对提出的Faster GG R-CNN进行了5折交叉验证（5-fold Cross-validation），以验证模型的稳定性。其次，进行了消融实验，将使用GA优化的Faster GG R-CNN与使用传统反向传播方法训练的同一网络结构进行对比，以验证两阶段训练法特别是GA优化的有效性。最后，选取了三个具有代表性的目标检测模型——经典Faster R-CNN、M2det和YOLOv3——作为基线，在相同的测试集上与提出的Faster GG R-CNN进行横向对比，评价指标均采用mAP。
四、 主要实验结果与分析
1. 模型整体性能与交叉验证结果 5折交叉验证的结果（如表6所示）表明，Faster GG R-CNN模型性能优异且稳定。五次实验中，模型的mAP分别为94.57%、94.18%、94.55%、94.36%和93.69%，最终的mAP报告值为94.57%。这意味着模型在不同数据划分下均能保持极高的检测精度，没有出现过拟合或性能剧烈波动的情况。从具体类别来看，模型对“破洞”、“污渍”和“浮纱”疵点的检测AP值普遍在94%以上，对挑战性较大的“纱疵”检测AP也能稳定在87%-91%之间，显示了模型对不同类型疵点的强大综合识别能力。
2. 训练方法有效性验证与GA优化效果 通过将采用GA训练的模型与采用反向传播训练的模型进行对比（如表7所示），实验结果清晰地证明了GA优化策略的有效性和优越性。尽管两种方法在破洞和浮纱的AP值上互有高低，但GA优化模型在污渍（97.76% vs 95.26%）和纱疵（88.74% vs 86.48%）这两种更易受背景纹理干扰的类别上表现更佳，最终mAP上相比反向传播方法（93.55%）高出1.02个百分点，达到了94.57%。更重要的是，GA优化方法的训练总时间（78790.79秒）显著低于反向传播方法（88320.00秒）。这一结果有力地支持了研究者的论点：对于参数较少的Gabor层，GA是一种比反向传播更有效、更省时的优化方式，能够更快地收敛到全局最优解，并带来更高的最终检测精度。
3. 模型横向对比与抗干扰能力分析 在与其他三种主流检测模型的对比中（如表8所示），Faster GG R-CNN展现出了压倒性的性能优势。基线模型Faster R-CNN的mAP仅为78.98%，YOLOv3的mAP为79.92%，M2det的mAP为90.67%，而本模型的mAP高达94.57%。特别是在受纹理影响最大的“污渍”类别上，改进效果最为显著，AP值从Faster R-CNN的84.73%大幅提升至97.76%。通过对图7中检测结果的可视化分析，可以进一步解释其性能提升的原因：经典的Faster R-CNN模型多次将正常的织物纹理误判为污渍缺陷，这表明其容易受到复杂背景的干扰。而本文提出的方法由于前置了经过GA优化的Gabor卷积层，能够有效滤除背景纹理，使得检测网络能够更专注于真正的瑕疵区域，从而大幅度降低了误检率。虽然M2det在“浮纱”这一大尺寸缺陷上表现略优（96.29% vs 94.87%），这得益于其特征金字塔结构，但在综合性能和抗背景干扰能力上，所有对比模型均不如本方法。
五、 结论与研究价值
本研究成功提出了一种名为Faster GG R-CNN的高效织物疵点检测模型。通过在经典Faster R-CNN网络中嵌入GA优化的Gabor滤波层，巧妙地结合了Gabor滤波在频率域纹理分析的优势与深度学习在目标检测上的强大能力。其核心科学价值在于：提出了一种将传统图像处理技术与深度学习模型进行有机联合的新范式，特别是创新性地将深度学习模型的最终评价指标（AP）作为遗传算法的适应度函数，实现了“端到目标”的优化闭环，确保了前置滤波层与后续检测网络的协同最优，为参数优化提供了一种比反向传播更高效、更直接的方法。其显著的应用价值在于：该模型在自建的包含多种复杂背景和疵点类型的数据集上达到了94.57%的mAP，对微小疵点和不平整织物均有良好的检测效果，为解决实际工业生产中因织物纹理复杂导致的疵点检测难题提供了强大且可靠的解决方案，有望极大提升纺织品质量控制的自动化水平和准确度，降低人力成本。
六、 研究亮点
本研究的亮点可归纳为以下三点： 1. 新颖的模型结构融合：首次将具有最优参数组合的单Gabor滤波器作为第一卷积层无缝嵌入Faster R-CNN，直接滤除背景纹理干扰，从源头提升了特征的有效性。 2. 首创性的优化策略：独创了以检测模型最终精度指标（AP）为适应度函数的GA两阶段训练法，替代传统的反向传播来优化Gabor核参数，实现了性能和效率的双重提升，确保了优化目标与最终任务的高度一致性。 3. 卓越的检测性能：通过在真实工厂数据和公开数据集构成的混合数据集上进行详尽验证，证明了该方法在抗背景干扰和综合检测精度上显著优于Faster R-CNN、YOLOv3、M2det等先进模型，尤其在易混淆的污渍、纱疵等类别上提升巨大。