该研究由常州大学计算机科学与人工智能学院的吴浩（hao wu）、刘军（jun liu）、刘浩（hao liu）和梁久祯（jiuzhen liang）共同完成，发表于《Cluster Computing》期刊，于2025年9月3日在线出版。研究聚焦于工业检测领域中的织物缺陷检测问题，提出了一种名为LF-YOLO的轻量化检测网络。该网络以YOLOv8为骨干架构，通过引入上下文特征整合模块（Contextual Feature Integrator, CFI）、微型目标检测层（Tiny-Detect, TD）和增强型深度可分离卷积（Enhanced Depthwise Separable Convolution, EDSC），在保持模型轻量化的同时，显著提升了复杂背景下的小目标缺陷检测精度。
从学术背景看，织物缺陷检测是工业质检的重要方向。传统人工目检成本高、效率低且对操作者视力有损伤风险，而传统机器视觉方法如统计法、频谱法和基于模型的方法在面对复杂纹理和微小缺陷时往往力不从心。近年来，深度学习尤其是YOLO系列检测器凭借其轻量与高速特性在工业检测中展现出巨大潜力。YOLOv8作为该系列较成熟的版本，虽具备高效特征提取与精确定位能力，但在复杂背景、缺陷与背景高度相似以及小目标检测场景下仍存在定位不准、漏检等问题。此前已有研究通过引入注意力机制、改进损失函数或替换特征提取模块来改善性能，但这些方法往往牺牲了速度或轻量化优势，难以在精度、速度与参数量之间取得平衡。为此，本研究旨在设计一种既轻量又高效的织物缺陷检测模型，在复杂背景和小目标场景下实现更优的综合性能。
研究的具体工作流程包括模型总体架构设计、三个核心模块的提出与集成、数据集准备与训练设置、对比实验以及消融实验五个主要环节。在模型架构设计环节，作者基于YOLOv8的骨干网络与颈部网络结构，将CFI模块同时集成于骨干网络和颈部网络中。具体做法是分别从模型第四、第六、第九层提取不同尺寸和通道数的特征图，拼接后输入CFI模块，同时将第十二、第十五层的输出再次输入CFI模块，形成双层特征提取结构。CFI模块首先对来自不同层的特征图进行尺寸调整和通道维度拼接，然后将拼接后的特征图通过一组分组空洞卷积进行处理，最后通过残差连接将原始特征图与卷积组输出融合。在空洞卷积组的设计上，作者采用小卷积核组合模拟大卷积核效果，通过实验对比不同核尺寸组合（5533、3333、5333等）在mAP50、mAP50-95和参数量上的表现，最终选择核尺寸为5、3、3、3且空洞率为1、2、3、4的组合，该组合能有效覆盖9×9大核的大部分像素区域，同时最大限度地减少像素冗余覆盖。这种双层聚合策略不同于传统的单层固定特征图空洞卷积方法，它能够充分利用浅层特征图的高空间分辨率和深层特征图的丰富语义信息，在初始阶段关注目标后，在后续阶段更精确地聚焦目标区域。
在轻量化设计环节，作者提出了EDSC模块以替换C2F模块中的Bottleneck层。原始C2F模块虽能有效融合跨层特征，但引入了大量参数。EDSC采用“深度可分离卷积—逐点卷积—逐点卷积”的三段式结构，并在深度卷积输出与最终输出之间加入残差连接。相比标准卷积，EDSC的计算代价显著降低，公式推导表明其计算量约为标准卷积的1/n + 2/dk²，其中n为输出通道数，dk为卷积核尺寸。额外增加的逐点卷积层增强了通道间特征混合能力，弥补了传统深度可分离卷积特征交互不足的缺陷。修改后的C2F-ED模块首先通过第一个卷积层（CV1）处理输入，然后将输出分为两部分，一部分直接传递至输出端，另一部分经过多个Bottleneck模块处理，最后沿通道维度拼接并通过第二个卷积层（CV2）得到最终输出。
针对小目标检测问题，作者设计了TD层。原始YOLOv8输出80×80、40×40、20×20三种尺寸特征图，分别对应检测8×8、16×16、32×32大小的目标。而在织物数据集中，微小缺陷尺寸可能小于COCO数据集中的小目标。因此，TD层新增了160×160的特征图输出，用以捕获小至4×4的微小缺陷。具体实现上，TD层将模型第十五层的深层特征图上采样后与第二层的高分辨率浅层特征图拼接，融合后的特征通过C2F-ED模块处理后输入检测头。这一设计保留了更多空间细节，避免了小目标在深层低分辨率特征图中的信息丢失。
在数据集与训练设置方面，研究使用ZJU-Leaper数据集，该数据集是目前最大的织物缺陷检测数据集，包含19种不同图案的织物，共71127张无缺陷图像和27650张缺陷图像。实验从中选取前15种复杂纹理织物的18844张缺陷样本，按纹理复杂度分为四组：第一组包括白色平纹、粗条纹、细条纹；第二组包括点纹、千鸟格、方格、结纹；第三组包括斜纹格、蓝格、棕格、灰格、红格；第四组包括花卉印花1、花卉印花2、花卉印花3。所有图像调整为640×640输入网络。训练使用Intel Xeon CPU和NVIDIA Tesla A100 GPU，PyTorch 1.12.1与Python 3.8环境，批量大小为32，使用SGD优化器，初始学习率0.01，训练300轮。比较模型包括SSD、Faster R-CNN、YOLOv5s、YOLOv6n、YOLOv7、YOLOv9c、YOLOv8n和YOLOv8s。
对比实验结果显示，LF-YOLO在四个组别上均表现出色。在第一组中，LF-YOLOs取得了最高的召回率（0.761）和mAP50（0.803），mAP50-95为0.487。第二组中LF-YOLOs的mAP50和mAP50-95分别为0.783和0.490，优于所有基线模型。第三组中LF-YOLOs取得了最高的mAP50-95（0.495），第四组中取得了最高的mAP50（0.759）和mAP50-95（0.479）。综合性能雷达图显示，LF-YOLO在检测速度上最快，除召回率略低于YOLOv7外，其余精度指标均占优。参数量对比中，LF-YOLOn相比YOLOv8n减少15%参数，LF-YOLOs相比YOLOv8s减少24%参数，同时实现了更高的FPS（LF-YOLOn为256，LF-YOLOs为127）。可视化结果表明，LF-YOLO在复杂背景和小缺陷与背景高度相似的场景下能有效抑制背景干扰，生成更精确的边界框。
消融实验基于最具挑战性的第四组进行。单独添加CFI模块后，召回率从0.678提升至0.742，mAP50从0.740提升至0.755，mAP50-95从0.435大幅提升至0.491，表明CFI显著增强了模型在复杂背景下的特征提取与定位能力。单独添加TD模块后召回率提升至0.691，有效减少了漏检。单独添加C2F-ED模块后mAP50-95下降至0.437，但实现了参数量的显著降低。当CFI与TD组合时，mAP50-95达到0.496，为所有组合中最高。最终完整模型LF-YOLO在第四组上实现了0.820的精确率、0.711的召回率、0.763的mAP50和0.490的mAP50-95，相比基线模型分别提升2%、3.3%、2.3%和6.5%，同时参数量减少15%。
本研究的结论指出，LF-YOLO通过CFI的双层多尺度特征融合策略、TD层的小目标检测增强以及C2F-ED的轻量化卷积设计，在织物缺陷检测中实现了轻量化与检测精度的良好平衡。CFI模块从不同网络层级聚合特征，有效增强了模型对全局上下文信息的理解；TD层通过引入更高分辨率的特征图显著改善了对微小缺陷的检测能力；EDSC在降低计算复杂度的同时保持了特征提取性能。该研究为轻量级工业检测模型的部署提供了可行方案，有望降低人工检测成本并推动工业质检的智能化发展。研究亮点在于：CFI模块突破了传统单层空洞卷积特征提取的局限，采用双层特征融合策略；TD层针对织物微小缺陷的特点设计了新的检测分支；EDSC通过补充逐点卷积和残差连接优化了深度可分离卷积的通道混合能力。研究也指出，在极端低对比度或背景与缺陷高度相似的情况下仍可能存在误检或漏检，未来可探索更高效的特征融合策略以进一步降低计算成本。