本研究由武汉理工大学信息工程学院的夏宇阳、尹勇、栾丰凯、杨佳星以及武汉理工大学马克思主义学院的刘俊奇共同完成，通讯作者为杨佳星。研究成果发表于科学期刊《Scientific Reports》2026年第16卷，文章编号为22599。
该研究属于工业缺陷检测与生成对抗网络（Generative Adversarial Networks，GANs）交叉领域，核心目标是解决织物表面缺陷自动检测中长期存在的数据稀缺问题。在工业织物制造中，微米级缺陷——包括纱线划痕、长丝错位和局部污渍——对产品质量和操作安全具有决定性影响。传统的手工特征描述符和阈值分割方法难以应对现代织物中多样化的纹理模式和缺陷形态。深度学习方法虽在异常检测中表现优越，但其性能高度依赖大规模、异质化的缺陷数据库。然而，在真实工业场景中，缺陷样本天然稀疏，尤其是细长划痕和长丝偏移这类对质量分级至关重要的细微缺陷，其采集和标注成本极高。传统的数据增广手段局限于几何和色彩变换，无法实质性地丰富数据多样性。GANs虽然在图像生成方面展现了强大的能力，但现有方法大多追求整体视觉真实感，忽视了织物表面缺陷特有的几何连续性和上下文保真度，尤其难以合成具备方向性连续性的细长缺陷。论文明确提出，应从“缺陷生成”范式转向“面向检测的缺陷生成”范式，即合成显式面向下游检测任务的缺陷样本。
本研究旨在提出一种专门面向织物缺陷检测的生成对抗网络架构，命名为GAN-PD（Generative Adversarial Networks for Fabric Defect Generation towards Precise Detection）。该框架需同时满足高结构真实性与检测相关性，能够合成兼具几何精确性和纹理一致性的织物异常样本。研究团队为此设计了生成器与判别器两大核心模块的协同创新。
生成器方面，研究提出了局部特征残差模块（Local Feature Residual，LFR）。该模块采用级联残差连接与自适应通道卷积相结合的方式，通过通道分割策略将输入特征图分为两部分：一部分直接进行恒等映射以保留织物基底的低频拓扑先验，另一部分经过专门的卷积核处理以建模缺陷显著的高频形态变化。这种对等比例分割策略在实现参数减半的同时，能够有效避免重复性背景纹理的退化。实验研究表明，LFR模块的级联数量n设为3时能在特征提取效率与计算开销之间取得最佳平衡。
判别器方面，研究提出了柱状池化（Columnar Pooling）机制。与传统的各向同性方形卷积核不同，柱状池化采用条状核，分别沿水平方向和垂直方向进行自适应平均池化，生成1×W和H×1的空间特征表示。该机制能够沿着缺陷轴向捕捉长距离空间相关性，精确建模细长缺陷的方向依赖性。通过可学习权重和偏置对这些轴向描述符进行变换，并经sigmoid激活生成空间注意力图，判别器可以有选择地放大缺陷相关激活、抑制背景噪声。柱状池化模块被策略性地部署在判别器网络的第三层卷积之后。
研究的实验验证基于DAGM2007基准数据集，该数据集包含十个具有高度形态多样性和复杂背景纹理的缺陷类别。训练前，所有原始图像统一缩放至224×224像素分辨率，像素强度严格归一化至[−1, 1]区间以匹配生成器输出层tanh激活函数的边界。训练方案设置为150个训练周期（epochs），批量大小为1，优化器采用Adam（β1=0.9，β2=0.999），初始学习率为0.0003，并在第50个周期开始线性学习率衰减。超参数λ1=5和λ2=0.5通过网格搜索确定。
研究设计了多层次的实验验证体系。首先进行生成图像质量评估，采用峰值信噪比（PSNR）、结构相似性指数（SSIM）、初始得分（IS）和Fréchet初始距离（FID）等指标对合成缺陷进行定量评估。消融实验系统评估了初始生成器（ING）、初始判别器（IND）、局部特征卷积生成器（LFCG）和柱状池化判别器（CPD）的逐步集成效果。
其次，进行了下游检测任务的系统性验证。研究构建了三类训练数据集：de-train A（100%真实缺陷）、de-train B（100%合成缺陷）和de-train C（1：1真实-合成混合），每类包含700个无缺陷样本和100个缺陷样本。对应测试集保持相同类分布，包含120个无缺陷样本和60个缺陷样本。选取了三种主流检测架构——YOLOv5（一阶段）和SSD、Faster R-CNN（两阶段）——进行对比实验。评估指标包括数据检测准确率（Data Detection Accuracy，DDA）、缺陷检出率（Defect Detection Rate，DDR）和误检率（False Detection Rate，FDR）。此外，在任务导向评估框架下，研究还设计了de-test B和de-test C两个互补测试场景，共涵盖540个实验配置。
消融实验与生成质量评估：从参数效率看，完整GAN-PD配置（LFCG+CPD）将总可训练参数从基线模型的62.682M降至36.267M，降幅达42%。定量指标方面，PSNR从23.91 dB提升至31.28 dB，SSIM从0.54提升至0.61，IS从1.23提升至1.95，FID从172.67降至112.69，降幅达34.8%。单独引入LFCG即可提升PSNR 4.82 dB并减少28.1%的参数，而CPD的加入进一步提升了SSIM和FID。这一结果表明局部特征处理与方向性池化的协同作用不仅消除了冗余计算，还有效保留了高频缺陷特征。
视觉质量分析：GAN-PD在DAGM2007数据集的第1至5类缺陷合成中表现突出。对于第2类和第4类的线状划痕缺陷，合成结果实现了毫米级连续性，能够准确穿越多个重复织物纹理周期并保持相位对齐。第3类微小斑点缺陷显示出与真实缺陷一致的暗色高对比度特征。第1类模糊染色缺陷再现了真实的马赛克样形态异常，边界细节捕获准确。第5类纹理压印缺陷虽因纹理固有复杂性提升不够显著，但仍保持了高频细节。
检测性能对比：在100%合成数据训练（de-train B）场景下，GAN-PD在几乎所有对比场景中均取得了最高精度。在混合训练（de-train C）场景下，GAN-PD使YOLOv5的平均精度较SDGAN和EID-GAN分别提升5.0%和3.5%。具体到第2类线状划痕缺陷，YOLOv5检测器的DDR从真实数据基线的81.7%提升至96.7%，绝对提升了15.0个百分点。第4类缺陷的DDR从46.7%提升至58.3%，提升了11.6个百分点。更具实际意义的是，第4类缺陷的误检率从约12.1%大幅降至2.7%，表明LFR生成器的局部特征卷积机制有效促进了纹理融合和缺陷与背景的一致整合。
任务导向综合评估：在540个实验配置中，GAN-PD混合实现始终取得了最佳性能。在YOLOv5下，平均精度较EID-GAN和SDGAN分别提升1.1%和1.3%，平均召回率提升2.3%和2.7%，平均误检率降低1.2%和1.8%。SSD和Faster R-CNN实验也呈现出一致的改进趋势。采用c-c配置（混合训练-混合测试）时，YOLOv5的五类缺陷平均DDA提升了5.4个百分点，平均DDR提升了13.0个百分点，平均FDR降低了5.0个百分点。SSD和Faster R-CNN也获得了类似幅度的提升。进一步的c-b与c-c对比分析表明，仅用合成数据训练的模型性能普遍低于混合训练模型，说明GAN-PD生成的样本是真实数据的有效补充而非完全替代。
该研究成功地将生成式缺陷合成从视觉真实感驱动转向检测任务驱动。GAN-PD通过深度残差生成器中的局部特征残差模块与判别器中的柱状池化机制协同工作，实现了各向异性缺陷的精确建模与织物复杂纹理的无缝融合。实验结果表明，任务导向的合成样本能够同时提升一阶段和二阶段检测器的识别精度并减少误报。研究还建立了合成数据质量与下游检测性能之间的直接关联，提出了任务驱动的评估协议，弥合了传统图像质量指标与工业实用性之间的鸿沟。
该研究的科学价值在于提出了一种范式转换——从“缺陷生成”到“面向检测的生成”——证明了针对下游效用而非仅视觉保真度重新构建缺陷生成框架，能够显著提升自动化织物检测系统的鲁棒性和准确性。应用价值方面，GAN-PD的参数效率提升42%使其能够在标准工业服务器上实现大规模离线数据增广，为面临数据稀缺和计算预算约束的行业提供了可扩展的解决方案。研究也坦诚指出了当前仍需人工标注生成样本、训练计算开销等实际局限，并展望了自动标注技术、高变异专有工业数据集验证以及更轻量化对抗模块的未来方向。