本研究由东华大学信息与智能科学学院的金智豪和数字化纺织服装技术教育部工程研究中心的王直杰共同完成，论文以网络首发形式发表于《东华大学学报(自然科学版)》，收稿日期为2026年1月23日，网络首发日期为2026年6月23日，DOI为10.19886/j.cnki.dhdz.2026.0043。研究面向纺织品质量检测领域，针对实际生产环境中多类疵点共存场景下的检测难题，提出了一种轻量化织物疵点检测模型YOLOv8-PSU。

从研究背景来看，纺织品质量检测对产业发展具有重要意义，而织物表面因生产工艺、机器故障等因素常出现形状各异的疵点。传统人工视觉检测效率低、易漏检误判，难以适应现代生产需求。随着计算机视觉和深度学习技术的发展，自动化织物疵点检测系统逐渐成为研究热点。现有深度学习方法虽在精度上有所提升，但普遍存在模型复杂度高、推理速度慢的问题，且多针对单一疵点场景设计，未充分考虑实际生产中常见的多疵点共存情况。在多疵点共存场景中，主要困难包括疵点目标尺度差异大、复杂纹理背景下多类疵点特征相似度高、小目标群体特征微弱易被背景淹没。针对上述问题，研究团队以YOLOv8n为基线模型，提出了YOLOv8-PSU轻量化改进模型，旨在兼顾全局感知与局部细化能力，提升复杂环境下多类别疵点的综合检测性能。

在模型设计方面，YOLOv8-PSU主要包含三项核心改进。第一项改进是在骨干网络的空间金字塔池化融合层后引入部分自注意力机制。该机制采用“分割–变换–融合”的设计范式，将输入特征沿通道维度均匀分为两支，其中一支保留原始特征以维持梯度流的通畅，另一支送入集成了多头自注意力与前馈网络的注意力分支。为控制计算复杂度，模块在多头自注意力内部将查询与键的通道维度压缩为值维度的一半，并以批归一化替代层归一化。该设计使模型能够以较低计算成本在全局范围内感知和区分图像中的各类疵点，提升对多目标、小目标及不规则疵点的检测鲁棒性。第二项改进是采用通用倒置瓶颈模块重构骨干网络中的所有C2F模块，构建C2F_UIB模块。通用倒置瓶颈模块通过结合可选的深度卷积与扩展卷积，在降低计算负担的同时强化特征提取效果。深度卷积替代标准卷积实现空间特征的高效提取，扩展卷积则能够动态调整感受野，增强局部特征提取与小目标检测能力。C2F_UIB模块延续了C2F的跨阶段特征交互结构，输入经初始卷积后分为两部分，一部分经由多个通用倒置瓶颈块提取深层语义特征，另一部分通过跳跃连接保留浅层细节信息，最终在通道维度拼接并通过第二层卷积输出，使特征图同时具备丰富的语义信息与较高的空间分辨率。第三项改进是构建Slim-neck结构完全替换原有的颈部网络。该结构通过以GSConv模块取代常规卷积，并以VoVGSCSP模块替换C2F模块，重构了颈部网络。GSConv模块由标准卷积、深度可分离卷积和通道混洗组成，在保持较低时间复杂度的同时尽可能保留通道之间的隐藏连接。VoVGSCSP基于一次性聚合策略，通过并行路径处理输入特征并直接融合，避免了传统跨阶段部分结构的多次拆分与融合操作，减少了特征传递过程中的信息损失，使模型能够更好地分离和识别密集分布的小目标疵点。

在实验部分，研究使用了阿里云天池大赛的布匹疵点数据集，从21种疵点类别中选取出现频次最高的破洞、结头、三丝、粗经、粗纬共5类疵点作为研究对象。原始图像统一裁剪为960×960像素，并剔除裁剪后无疵点的图像。数据增强阶段除采用旋转、缩放、裁剪和色彩变换等方法外，特别应用了防截断裁剪策略以避免密集疵点群被截断。全部4743张图像中，存在两类及以上疵点类别的图像共计1346张，占总数据量的28.3%。数据集按8:1:1的比例划分为训练集3795张、验证集474张和测试集474张。此外，从原始测试集中筛选出所有包含两种及以上疵点类别的图像，构建了包含137张图像的多类别疵点测试子集，该子集未参与模型训练与超参数调优。训练环境采用Core i5 13400F处理器、31.8 GiB运行内存以及NVIDIA GeForce RTX 4060显卡，深度学习框架为CUDA 11.6与PyTorch 1.12.1。训练轮数为200，批次大小为16，学习率为0.01。评价指标包括召回率、模型参数量、平均精度、每秒帧数和浮点运算数。

消融试验结果表明，单独使用C2F_UIB模块替换骨干网络中的C2F后，参数量减少26.7%，整体测试集平均精度提升0.7%，多类别疵点测试子集平均精度提升0.6%。单独引入部分自注意力机制后，整体测试集平均精度提升2.0%，多类别疵点测试子集平均精度提升1.7%。单独采用Slim-neck结构后，整体测试集平均精度提升1.6%，多类别疵点测试子集平均精度提升1.0%。同时引入三项改进后，YOLOv8-PSU模型在整体测试集上平均精度达到68.8%，较基线模型提升3.0%；在多类别疵点测试子集上平均精度达到60.3%，提升3.1%；召回率提升至67.2%，较基线提升4.2%；参数量降低13.3%，计算量减少21.0%，推理速度提升25.9%。与主流目标检测算法的对比试验显示，YOLOv8-PSU在精度与轻量化之间取得了优异的平衡。相较于Faster R-CNN，虽然平均精度略低，但参数量与计算量分别大幅缩减了93.8%和95.2%。与YOLOv5s和YOLOv9c相比，YOLOv8-PSU在参数量减少71.4%和89.8%的前提下，检测精度依然保持领先。不同注意力机制的对比试验表明，部分自注意力机制表现最佳，其平均精度达到67.8%，召回率为66.8%，均优于其他注意力机制。5折交叉验证结果显示，YOLOv8-PSU在多类别疵点测试子集上的平均精度均值为60.2%，标准差为0.4%，表明模型在不同数据分布下具有良好的鲁棒性。检测结果可视化分析显示，在破洞与结头并存的场景中，YOLOv8-PSU能够成功区分为两个独立实例；在粗纬与结头共存的密集小目标场景中，YOLOv8-PSU的检出数量明显多于对比基准模型。

本研究的核心结论是，通过引入部分自注意力全局感知模块、轻量化C2F_UIB结构以及Slim-neck特征融合网络，YOLOv8-PSU能够在保持轻量化优势的同时，有效应对实际生产线中多类别疵点共存的复杂检测场景。该模型在整体测试集和多类别疵点测试子集上均取得了显著的精度提升，同时实现了参数量降低和推理速度提升，为织物质量智能检测提供了更贴合工业需求的解决方案。研究的科学价值在于系统性地针对多疵点并存、纹理背景复杂、目标尺度变化大等问题提出了综合性的轻量化改进方案，应用价值在于为边缘设备算力受限且实时性要求苛刻的实际纺织产线提供了可行的部署路径。论文的亮点包括面向多疵点共存场景的专项设计、防截断裁剪策略的引入以及多类别疵点测试子集的独立构建与评估。后续工作将进一步优化检测头，提高模型的泛化能力，使其能更好地适用于复杂工业生产场景。