本文献为综述论文，题为《Intelligent Quality Control of Surface Defects in Fabrics: A Comprehensive Research Progress》（织物表面缺陷智能质量控制：综合研究进展），发表于期刊 IEEE Access（卷12，页码63777-63804），于2024年3月26日收稿，2024年4月28日录用，2024年5月2日在线发表。第一作者为 Peiyao Guo（郭佩瑶），通讯作者为 Ying Wu（吴莹），作者单位包括浙江理工大学服装设计与工程学院、天津大学电气与信息工程学院、英国曼彻斯特大学材料学院纺织系、宁波大学昂热大学联合学院等多家国内外知名学术机构。
织物疵点检测（fabric defect detection）是纺织企业质量控制的关键环节。传统人工检测的准确率仅为60%至75%，且易受视觉疲劳影响，难以满足现代纺织工业对高速度、高效率和高精度的需求。基于计算机视觉检测（computer vision inspection）技术的智能化检测方案，已成为实现纺织智能制造的核心手段。然而，该领域当前面临四大挑战：其一，公开可用的标注数据集（datasets）数量和质量有限；其二，织物疵点类型繁多、形态复杂，部分缺陷如断纱（broken yarns）、破洞（holes）等难以区分；其三，检测速度与效率尚不能完全满足高速生产线的实时要求；其四，硬件与人力投入成本较高。鉴于此，本文旨在通过全面回顾已发表文献，从算法、数据集和检测系统三个维度系统梳理智能织物表面缺陷检测的研究进展，并为相关领域研究者指明未来研究方向。
本综述遵循系统文献综述（Systematic Literature Review, SLR）的研究范式，并依据PRISMA指南进行文献检索与筛选。研究团队基于Web of Science、IEEE Xplore、ScienceDirect和Springer Link四大科学数据库进行主题词检索，初步获取805篇文献，经去重后得到345篇，最终根据纳入与排除标准筛选出93篇文献用于深入分析。纳入标准包括：采用计算机视觉检测技术的织物表面缺陷检测研究文章、发表于同行评审期刊或会议、影响因子与引用率较高、深度学习相关研究集中于2018至2023年、英文撰写且提供完整全文。排除标准涵盖非织物表面缺陷检测的研究、综述类文章、未使用图像数据集的研究及仅有摘要的会议论文。整篇综述围绕五个核心研究问题展开：最常用的织物缺陷类型、最常用的公开数据集、深度学习方法相较于传统方法的优势、监督学习与无监督学习及半监督学习之间的性能差异，以及单阶段与双阶段目标检测算法各自的优劣。
综述首先系统梳理了自20世纪80年代发展至今的传统检测算法。依据Hanbay等人提出的分类框架，传统方法被划分为四类：模型方法（model approach）、频谱方法（spectral approach）、统计方法（statistical approach）和结构方法（structural approach）。模型方法将织物纹理视为随机过程，通过自回归模型（AR model）或高斯马尔可夫随机场模型（GMRF model）建模纹理信号并检测异常，适用于含噪声或不规则纹理的织物，但因计算复杂度高而不适用于实时检测。频谱方法利用傅里叶变换（Fourier transform）、小波变换（wavelet transform）和Gabor滤波器（Gabor filter）将图像从空间域转换到频率域进行分析，对细微的颜色变化类缺陷有效，但高度依赖纹理的周期性，且滤波器的选择直接影响检测效果。统计方法通过计算灰度直方图（histogram statistics）、灰度共生矩阵（GLCM）和数学形态学（mathematical morphology）等特征区分正常区域与缺陷区域，算法简单易行，但对小尺寸缺陷不敏感。结构方法将纹理视为纹理基元的组合，适用于规则性强的织物，但对微小缺陷和工业环境下的纹理结构不稳定情况应对能力不足。
文章的核心篇幅聚焦于基于学习的方法，尤其是深度学习方法。综述将深度学习方法分为三类：监督学习（supervised learning）、无监督学习（unsupervised learning）和半监督学习（semi-supervised learning）。
在监督学习领域，综述重点分析了目标检测算法的两种主要框架：双阶段算法（two-stage algorithms）和单阶段算法（one-stage algorithms）。双阶段算法的演进历程从R-CNN到Fast R-CNN，再到集成了区域提议网络（Region Proposal Network, RPN）的Faster R-CNN，最终发展到引入特征金字塔网络（Feature Pyramid Network, FPN）的R-FCN和采用级联结构的Cascade R-CNN。此类算法因其深层语义特征提取能力和对小目标的高定位精度而著称，代表性成果包括：Peng等人提出的PRAN-Net通过引入稀疏先验锚框，在牛仔布和素色织物数据集上平均精度均值（mAP）分别提升了7.2%和7.4%；Wu等人提出的基于Faster R-CNN的宽而轻量网络（WALNet）结构在TILDA等多类织物数据集上获得了97%以上的检测准确率。单阶段算法则以YOLO和SSD系列为代表，其核心优势在于检测速度快，通过直接的边框回归和分类实现了端到端检测。Jin等人采用教师-学生框架改进了YOLOv5模型，有效缓解了织物瑕疵图像不足的问题；Yu等人提出的CS-YOLO通过设计自适应稠密特征金字塔网络，在天池织物数据集上达到了80.8%的mAP和87帧/秒的检测速度。综述指出，双阶段算法在精度和漏检率方面表现更优，适用于大目标与复杂场景；单阶段算法则在速度上占优，能够满足在线实时检测需求，但对小目标的定位能力相对较弱。
由于工业场景中标注数据的稀缺性，无监督学习方法日益受到关注，其典型代表为自编码器（Autoencoder, AE）和生成对抗网络（Generative Adversarial Networks, GAN）。这类方法无需标签即可利用正常样本训练模型，通过重构残差区分缺陷区域。Wei等人提出的基于Fisher准则的堆叠降噪自编码器（FCSDA）在周期性花纹和复杂提花经编织物上实现了优于传统图像分解方法的检测率；Liu等人利用多层GAN在无缺陷纹理上合成合理的缺陷图像，从而扩充训练集，在复杂纹理数据集上平均F度量达到96.2%。半监督学习则试图将少量标注数据与大量无标注数据相结合，例如Shao等人提出的基于多任务均值教师（Mean Teacher）的像素级检测网络ST-CNN，通过引入缺陷轮廓和方向图信息作为结构先验，在三个公开数据集上实现了对多类型缺陷的有效检测。综述通过TILDA数据集上代表性文献的对比，呈现出各方法的检测率差异：监督学习方法最高可达99.40%，无监督方法为93.45%，半监督方法为87.77%。
综述对织物缺陷检测领域的公开数据集进行了系统整理，发现TILDA数据集以18%的使用率位居首位，其次是FID数据集和阿里巴巴天池织物数据集。文章汇总了12个常用的开源织物图像数据集，详述了各个数据集的样本数量、图像尺寸及涵盖的缺陷类型。值得注意的是，40%的研究者选择自行构建数据集，13%的研究者直接从纺织厂采集缺陷图像，这表明现有公开数据资源仍难以全面覆盖多样化的缺陷种类与织物纹理。在深度学习框架方面，TensorFlow和PyTorch为两大主流选择，分别占57%和43%的使用率。文章还介绍了当前市场上代表性的织物检测系统，包括瑞士Uster公司的Fabriscan离线自动验布机（检测速度达120米/分钟，检出率约90%）、比利时Barco公司的Cyclops织机在线实时监控系统、以色列EVS公司的IQ-Tex4素色织物自动检测系统（在线检测速度达1000米/分钟）等，这些系统虽代表了行业先进水平，但普遍存在价格昂贵、算法普适性不足等局限性。
本文献通过对93篇相关研究文献的系统梳理，就五个研究问题给出了明确解答：最常见的织物缺陷类型为破洞、污渍、浮纱和断纱；TILDA数据库为使用最广泛的公开数据集；深度学习方法相较于传统方法具有背景干扰小、稳定性强、精度高及建模灵活等显著优势；监督学习精度最高但依赖大量标注样本，无监督学习无需标注但精度较低，半监督学习则试图在二者之间取得平衡；双阶段算法精度高而速度慢，单阶段算法速度快而精度相对较低。文章的学术价值在于构建了一个从传统方法到深度学习方法的完整知识谱系，为研究者提供了定量化的方法对比依据；其实践价值在于整理了12个常用数据集与主流检测系统，指出了建立更大规模公开数据集、改进图像采集质量、发展无监督与小样本学习、推动混合方法研究以及增强算法鲁棒性等六大未来研究方向，对纺织工业实现全面智能化检测具有重要的指导意义。