这是一篇发表于期刊 Coloration Technology 的综述论文（Review Paper），题为《使用深度学习方法进行纺织品和颜色缺陷检测》（Textile and colour defect detection using deep learning methods）。该论文于2025年在线发表（接收于2025年9月19日），作者为Hao Cui、Abdel-Fattah Seyam和Renzo Shamey，均来自美国北卡罗来纳州立大学（North Carolina State University）的威尔逊纺织学院（Wilson College of Textiles）。
本综述系统性地回顾了深度学习（Deep Learning, DL）方法在纺织品及染色加工过程中缺陷检测的应用，重点聚焦于目标检测（Object Detection）及相关计算机视觉（Computer Vision, CV）任务。论文将现有深度学习方法进行分类，并深入比较了深度学习方法与传统方法（计算机视觉和专家系统）的优势与局限性，为纺织制造领域设计成本效益高、性能卓越的缺陷检测系统提供了参考框架。
以下是论文的核心观点及其论据的详细阐述。
一、深度学习技术应用于纺织缺陷检测的分类框架
论文首先将应用于纺织缺陷检测的深度学习方法系统地划分为三个核心计算机视觉任务类别：图像分类（Image Classification）、目标检测（Object Detection）和图像分割（Image Segmentation），并以此为基础构建了全文的分析框架。
图像分类：此任务专注于识别输入图像中是否存在缺陷及其类别，但不能定位缺陷位置。论文指出，基于卷积神经网络（Convolutional Neural Networks, CNNs）的分类模型在此任务中取得了90%至98%的高准确率。例如，Jing等人通过修改AlexNet模型，成功检测了8种纺织缺陷；Zhao等人则采用集成学习（Ensemble Learning）策略，结合DenseNet、Inception V3和Xception模型进行投票，提升了小数据集下的分类效果。然而，论文也指出了其劣势，即深层CNN架构会丢失空间信息，难以编码缺陷的精确位置与方向，并且对大规模标注数据和数据增强（Data Augmentation）的依赖性强，同时易受对抗攻击（Adversarial Attacks）的影响。
目标检测：此任务不仅能识别缺陷类别，还能通过边界框（Bounding Boxes）定位缺陷，是目前应用最广泛的方法。论文将其进一步细分为双阶段（Two-Stage）、单阶段（One-Stage）和无监督（Unsupervised）方法。双阶段方法的代表为R-CNN系列，其检测精度高，但计算成本也高，推理速度较慢；单阶段方法的代表是YOLO（You Only Look Once）和SSD（Single Shot Detector），它们速度更快，适合实时检测，但早期版本在小目标检测精度上有所妥协。论文详细列举了证据：从YOLOv2到最新的YOLOv8，研究人员不断改进架构以提升纺织缺陷检测能力，例如Wang等人通过增强YOLOv8，在平均精度（mAP@50）上提升了5%。为克服标注数据不足的问题，无监督方法利用生成对抗网络（GANs）、自编码器（Autoencoders）等模型，仅在无缺陷图像上训练，通过重建图像与原始图像的残差图（Residual Map）来发现和定位缺陷。
图像分割：此任务提供了最高精度的像素级定位，分为语义分割（Semantic Segmentation）和实例分割（Instance Segmentation）。论文指出，以U-Net、全卷积网络（FCNs）和DeepLabV3+为代表的语义分割模型被广泛采用，能够精确描绘缺陷区域边界。例如，Jing等人提出的Mobile-Unet，在保持与标准U-Net同等精度的同时，显著缩短了运行时间。实例分割则以Mask R-CNN为标杆，它能在识别每个缺陷实例的同时生成像素级掩膜。尽管分割方法精度最高，但其计算资源需求巨大，且难以满足实时生产线的速度要求。
二、深度学习与传统方法在染色缺陷诊断中的比较
论文将研究视角从一般的纺织品缺陷延伸到更具挑战性的染色过程（Coloration Processes）缺陷，并对三种诊断方法进行了比较分析。
计算机视觉（CV）方法：传统的CV方法包括统计法、光谱法和基于模型的方法。其优势在于计算效率高，在小数据集上表现良好。例如，Tsai等人使用灰度共生矩阵识别色差缺陷。但其劣势在于需要手动调参，对复杂图案和多样化的染色缺陷（如色花、色差等）适应性和泛化能力差。
专家系统（Expert Systems, ESs）：ESs方法整合领域知识，通过规则和模糊逻辑进行推理诊断。论文引用了Shamey及其合作者的一系列研究，他们为棉、涤纶、涤棉混纺织物以及喷墨印花工艺构建了基于知识的故障诊断专家系统。这类方法的优势在于诊断过程透明、结果可解释，对预定义的缺陷类型准确率高。但其致命的弱点在于僵化，无法应对知识库之外的新型缺陷，且知识库的构建和维护需要投入大量专家资源。
深度学习（DL）方法：与前述两者相比，深度学习方法的最大优势在于能够从大量训练数据中自主学习特征，无需预定义规则或手动调参，能够处理更加多样和复杂的缺陷模式。其局限性则在于计算密集、需要大规模高质量标注数据，以及模型训练成本高昂。
论文据此得出结论，在资源受限或缺陷模式简单固定的场景下，CV和ESs方法是高效的选择；而在追求高精度、高适应性和处理复杂多变缺陷的现代化生产中，深度学习方法具有不可替代的优势。
三、论文的学术价值与未来研究方向
作为一篇综述，本文的学术价值在于其构建了一个结构清晰、层次分明的分析框架，不仅整合了模型架构的分类，还引入了方法论的比较，为后续研究者提供了比以往同类综述更深入的技术洞察。
论文明确指出了该领域未来的研究机遇：第一，建立像MS COCO那样的标准化、可共享的纺织缺陷基准数据集，以促进不同算法间的公平比较。第二，加强对模型在真实生产环境中实时性能（如每秒处理帧数和平均精度）的评估，平衡速度与精度的取舍。第三，未来研究应更多专注于被当前模型所忽视的染色专有缺陷（如色条、色斑、色差等），开发专属模型。第四，探索在纺织缺陷检测领域尚未被充分应用的新兴架构，如单阶段实例分割模型（Solo、YOLACT）以及视觉变换器（Vision Transformers, ViTs）和MLP-Mixer等。第五，利用人工智能和深度学习模型的持续学习能力，实现缺陷检测系统的自动化和持续改进，从而减少人工失误、提高生产效率并确保产品质量的一致性。通过这些努力，深度学习有望在纺织制造质量控制中释放其全部潜力。