纺织制造中织物缺陷检测的研究综述：技术进展、数据集与未来挑战

作者及发表信息
本文由Feifei He、Binjie Xin、Zhu Zhan、Wenting Yang及Jiyuan Liu共同撰写，作者团队来自上海工程技术大学（Shanghai University of Engineering Science）纺织与服装技术学院。论文于2025年5月14日在线发表于*The Journal of the Textile Institute*，DOI编号为10.¹⁰⁸⁰⁄_00405000.2025.2502188。

研究背景与目标
随着纺织工业向智能制造转型，织物缺陷检测成为保障产品质量、提升生产效率和降低成本的核心环节。传统人工检测方法因效率低、主观性强和分辨率限制，难以满足现代生产需求。计算机视觉与机器学习技术（尤其是深度学习）的兴起为自动化缺陷检测提供了新工具。本文旨在系统综述织物缺陷检测领域的技术发展脉络，分析图像处理与深度学习在各检测阶段的应用，整理现有公共数据集，并探讨当前挑战与未来研究方向，为纺织行业选择机器视觉技术提供理论指导。

主要内容与核心观点

1. 织物缺陷检测的技术框架
   织物缺陷检测流程分为四个关键模块：

   • 图像采集系统：工业相机、数码单反（DSLR）和智能手机相机是主要设备，需根据分辨率、帧率和光谱覆盖范围选择。照明系统设计（如正面照明、背光照明和多角度照明）对成像质量至关重要。
     
   • 图像预处理：包括去噪（中值滤波、高斯滤波）、增强（直方图均衡化、伽马校正）和分割（阈值法、区域生长）。深度学习方法（如去噪自编码器）在复杂噪声环境中表现优异。
     
   • 特征提取与选择：
     
     • *纹理特征*：统计方法（如灰度共生矩阵GLCM）、信号处理方法（如Gabor滤波和小波变换）、模型方法（如马尔可夫随机场MRF）。
       
     • *颜色特征*：颜色直方图、颜色矩和色彩空间转换（如RGB转CIE Lab）用于检测染色不均等缺陷。
       
     • *形状特征*：边界提取（Sobel算子）、形状描述符（面积、圆形度）和霍夫变换（Hough Transform）。
       
     • *特征选择技术*：主成分分析（PCA）、遗传算法（GA）和线性判别分析（LDA）用于降维和优化特征组合。
       
   • 分类与检测：
     
     • *传统机器学习*：支持向量机（SVM）、决策树和随机森林（Random Forest）在早期研究中广泛应用，但依赖人工特征工程。
       
     • *深度学习*：
       
     • CNN系列：YOLO系列（如YOLOv3优化先验框）、SSD（多尺度检测）、Faster R-CNN（区域提议网络RPN）在实时性和精度上取得平衡。
       
     • 生成对抗网络（GAN）：通过对抗训练生成缺陷样本，解决数据不平衡问题（如Liu等提出的多阶段GAN框架）。
       
     • Transformer：自注意力机制（Self-Attention）增强对复杂纹理的建模能力（如Swin-MFINet结合多特征融合）。
       

2. 数据集与性能评估
   论文整理了13个公开数据集，包括：

   • TILDA（3200张图像，8类缺陷）：适用于基准测试，但缺乏工业环境复杂性。
     
   • Aliyun Tianchi Fabric（15436张图像，15类缺陷）：高分辨率，覆盖多样化缺陷，但需高算力支持。
     
   • ZJU-Leaper（98777张图像，19类缺陷）：标注精细，适合研究类别不平衡问题。
     数据集差异体现在织物类型、缺陷种类和成像条件（如光照、分辨率），需通过迁移学习（Transfer Learning）提升模型泛化能力。
     

3. 当前挑战与未来方向

   • 复杂纹理干扰： Jacquard织物和印花织物的纹理与缺陷特征易混淆，需开发针对性纹理分析算法。
     
   • 微小缺陷检测：受限于成像分辨率和卷积层信息丢失，需结合超分辨率技术（如RDN-LTE）和多尺度特征融合。
     
   • 实时性与算力限制：轻量化模型（如YOLO-LFD）和硬件加速（FPGA/ASIC）是解决方向。
     
   • 数据局限性：公共数据集稀缺且样本不平衡，需构建标准化共享平台，并采用过采样（Oversampling）和代价敏感学习（Cost-Sensitive Learning）。
     

研究意义与价值
本文系统梳理了织物缺陷检测的技术演进，为学术界和工业界提供了以下价值：
1. 技术参考：对比传统方法与深度学习的优劣，指导算法选择与优化。
2. 数据集标准化：整理的数据集和评估指标为公平比较提供基准。
3. 工业应用：轻量化模型和实时检测方案助力纺织产线智能化升级。
4. 跨学科创新：结合纺织专业知识与计算机视觉，推动缺陷检测向高精度、自适应方向发展。

亮点与创新
- 全面性：首次将图像采集至分类检测的全流程技术纳入统一框架分析。
- 前瞻性：提出Transformer与GAN在微小缺陷检测中的潜力，如Zhang等的注意力特征融合GAN（AFF-GAN）。
- 实用性：针对工业痛点（如实时性、数据不平衡）提出具体解决方案，如渐进掩膜修复模型（PMRM）。

未来展望
作者呼吁加强产学研合作，开发高泛化性算法，并探索半监督学习（Semi-Supervised Learning）和边缘计算（Edge Computing）在纺织质检中的应用。