该文档是一篇综述性论文，发表于《Textile Research Journal》2023年第93卷(5-6期)。通讯作者为来自Adiyaman University的Yavuz Kahraman，另一位作者为来自Gaziantep University的Alptekin Durmuşoğlu。

本文献综述的核心主题是基于深度学习的织物疵点检测。其核心观点是，在过去二十年中，深度学习方法在纺织工业疵点检测中的应用已成为一个日益增长的趋势，而本文是首个对2003年至今该领域研究进行系统回顾的最新研究。论文旨在通过审视使用深度学习方法进行织物疵点检测的出版物，从方法、数据库、性能、比较和架构类型等方面进行归纳，为后续研究者提供一份参考指南。

首先，论文详细阐述了织物疵点检测领域的学术背景与面临的挑战。作者指出，由羊毛、棉花、涤纶或其混纺物制成的织物，其疵点通常源于机器加工、纱线瑕疵或后整理不当等因素。疵点类型因织物类型（机织、针织、非织造）而异。传统的人工检测方法不仅耗时耗力、成本高昂，而且容易遗漏精细疵点。尽管文献中已报道了多达235种不同的疵点类型，构建一个能全面识别这些疵点的自动化系统仍面临巨大挑战，这些挑战主要来源于疵点类型的特征、变异性以及数据样本量少等问题。一个自动化检测系统对于纺织质量控制过程至关重要，它能提供即时修正和系统信息。论文指出，尽管此前已有许多关于织物疵点检测的综述，但尚无一篇专门聚焦于深度学习方法的研究，这正是本文的独特贡献所在。

其次，论文为读者提供了深度学习的基础知识背景。文章首先介绍了机器学习作为人工智能的一个子领域，其核心是让系统从经验中自我学习。然而，传统机器学习技术在处理原始形式的自然数据方面能力有限，需要大量的领域专业知识来设计特征。深度学习的出现，使得由多个处理层组成的计算模型能够学习具有多个抽象级别的数据表示。论文追溯了深度学习领域的重要里程碑，如Aizenberg等人于2000年首次引入该术语，以及Hinton在2006年展示了多层前馈神经网络的有效训练方法，尤其是2012年其团队利用“丢弃”归一化方法在ILSVRC-2012 ImageNet竞赛中取得成功，极大推动了该领域的发展。随后，论文分门别类地介绍了在织物疵点检测领域中最常遇到的四种深度学习架构，并清晰阐述了各自的优缺点。对于卷积神经网络，其优势在于质量与鲁棒性显著、高层特征提取能力强、实时性好，但缺点是需要高处理能力的机器，且易受样本量和环境条件影响，没有标准化的架构调整程序。长短期记忆网络在处理时序数据和模仿人类视觉记忆方面有很高的兼容性，但训练耗时且内存消耗大，且在处理小样本疵点时仍需改进。生成对抗网络的优点是不需要标记数据，能生成高分辨率图像，但训练计算量大，存在模式坍塌问题。自动编码器是一种有效的无监督学习方法，在降维和学习未标记数据方面效率较高，但存在过拟合和独立层权重微调问题。

在此基础之上，论文对2003年至今的基于深度学习的织物疵点检测研究进行了系统性的分类和详尽的比较，这是本文最核心的观点。作者将检索并筛选出的38篇研究论文分为两大类：基于卷积神经网络的出版物和基于生成模型的出版物。在基于卷积神经网络（CNN-based）的研究中，又根据使用的数据集是公共数据集还是自建私有数据集进一步细分。对于使用公共数据集的CNN研究，论文详细列举了每项研究的方法、所用数据集（如TILDA、Hong Kong Patterned Textures等）、检测的疵点类型、达到的性能指标以及对比的方法。例如，Jing等人利用CNN-LeNet架构在点状纹理测试集上达到了98.01%的准确率；Jeyaraj和Nadar使用基于AlexNet的多尺度CNN对TILDA数据集中的六种疵点进行分类，准确率为96.55%；另一项由Kahraman和Durmusoglu提出的研究，利用胶囊网络在TILDA数据集上达到了98.7%的准确率，优于AlexNet、VGG19等主流算法。在这些研究中，“破洞”是被探究最多的疵点类型。对于使用私有数据集的CNN研究，作者同样归纳了各项成果，例如，Şeker应用迁移学习与预训练的AlexNet模型解决未标记数据问题；Peng等人提出的先验锚卷积神经网络专门用于检测微小和特定疵点，性能优于RetinaNet等方法。在基于生成模型（Generative model-based）的研究中，论文分别评述了自动编码器和生成对抗网络的应用。例如，Li等人设计了基于Fisher准则的损失函数的自动编码器，在负样本受限的情况下达到了98.68%的平均准确率。Liu等人则提出了一个多阶段生成对抗网络模型，能够自动适应不同的织物纹理并生成逼真的疵点样本，在一个自建数据集上获得了94.8%的准确率。

最后，论文对研究结论与未来方向进行了总结与讨论。作者明确指出，深度学习在织物疵点检测中的应用是日益增长的趋势。他们发现大多数被评审的论文准确率都在95%以上，证明了深度学习算法在该领域的有效性和可接受性。论文的一个重要价值在于其指明了现有研究的不足和未来路径：首先，迫切需要建立一个标准化、大规模的通用织物疵点数据库，以解决数据不平衡问题，这对于推动算法的普适性和公平比较至关重要。其次，鉴于混合方法展现出的高成功率，未来应加强这方面的研究。再次，研究应致力于降低计算复杂度，以满足实时工业应用的需求。最后，研究不应仅限于图案化织物，还应扩展到非图案化结构。这篇综述系统地梳理了近二十年来深度学习在织物疵点检测领域的研究脉络，分类总结了主要方法、常用数据集和性能表现，并明确指出了未来的研究方向，为希望进入该领域的研究者提供了极具价值的参考和指导。