研究报告：基于改进YOLOv7-Tiny模型的机织物缺陷全自动精准检测

一、研究概述与发表信息

本项研究由来自国立台湾科技大学的Jagadish Barman和Chung-Feng Jeffrey Kuo（通讯作者）共同完成，研究成果于2024年12月10日在线发表于期刊《Fibers and Polymers》（2025年，第26卷，页码353-368），论文标题为“全自动精准机织物缺陷检测：利用增强型残差卷积网络改进的YOLOv7-Tiny模型”。该研究属于计算机视觉与纺织工程交叉领域，致力于解决纺织行业长期依赖人工验布的痛点。

二、学术背景与研究目标

织物质量检测在纺织工业中至关重要，织物表面缺陷直接影响产品等级和生产成本。传统人工检测方式劳动强度大、成本高昂，且受限于检验员的主观判断与视觉疲劳，漏检率（False Detection Rate）居高不下。尽管计算机视觉和人工智能技术潜力巨大，但行业仍面临高分辨率图像、微小缺陷尺寸以及数据集不均衡等核心挑战。现有深度学习模型，如Faster R-CNN虽精度尚可，但检测速度慢；YOLO系列算法虽快，但在小目标检测、定位精度及尺度变化等方面仍存不足。为满足纺织生产线上实时、高精度的缺陷检测需求，本研究旨在对YOLOv7-Tiny模型进行专项改进，通过增强其骨干网络（Backbone）和颈部网络（Neck）的特征提取能力，实现对机织物微小缺陷（最小至1毫米）的全自动、高速（90 FPS）和高精度（98%准确率）检测，从而优化纺织品质量管理流程。

三、详细研究工作流程

本研究的工作流程主要包含以下五个核心环节：数据集构建与标注、数据增强、YOLOv7-Tiny模型改进、模型训练与验证以及性能对比评估。

1. 数据集构建与标注 (Dataset Labelling) 研究团队与台湾纺织企业“广龙实业有限公司”合作，收集了六种颜色的机织物样本。样本包含无缺陷和有缺陷两类，缺陷由专家人工创建并验证，以确保标注的准确性。最终构建的数据集包含最常见的8种缺陷类型：断经（Broken Warp）、断纬（Broken Weft）、双纬（Double Pick）、浮纱（Float）、破洞（Hole）、结头（Knot）、粗节（Slub）和污渍（Stain）。数据集以9:1的比例划分为训练集（576张图像，90%）和验证集（65张图像，10%）。为提升模型对结头等小样本类别的检测能力，研究团队在数据集中特意增加了该类别的图像数量。

2. 数据增强 (Data Augmentation) 为克服织物图像数据集规模有限的问题，并提升模型的泛化能力和鲁棒性，研究采用了多种数据增强技术。具体包括：几何变换中的水平与垂直翻转（Flipping）；亮度调节（Brightness），在-32%至+32%范围内变化，模拟不同光照环境；噪声注入（Noise Injection），添加影响最多1%像素的高斯噪声（Gaussian Noise），以训练模型在特征被部分遮挡时的识别能力；以及图像模糊（Blur），采用最大强度为2像素的高斯模糊方法，迫使模型学习更复杂的特征表示。这些技术有效扩大了训练数据量，降低了过拟合（Overfitting）风险。

3. 改进的YOLOv7-Tiny模型 (Improved YOLOv7-Tiny Model) 这是本研究的核心创新。原始的YOLOv7-Tiny模型面对复杂背景下的小缺陷，因步长卷积和池化层操作会弱化甚至丢失小目标的特征。为此，作者对其骨干网络和颈部网络进行了两项关键的架构调整： * 增强型残差卷积网络 (Enhanced Residual Convolutional Network, ERCN)的上采样 (Upscaling)：原始的ELAN层由5个CBL（卷积、批归一化、泄露修正线性单元）层组成。本研究将其扩展为7个CBL层，并采用更复杂的“双连接技术”（Two-Concatenation Technique）。这种设计融合了来自多个层的特征聚合与残差连接（Residual Connections），能够更好地结合浅层的细粒度细节与深层的抽象特征，并在网络中多条路径反复聚合与细化，从而精准捕捉并强调微小缺陷的特征，实现更精确的定位。 * 高效层聚合网络-降级版 (ELAN-D)的下采样 (Downscaling)：原始的ELAN-D层同样由5个CBL层构成。本研究将其精简为4个CBL层，旨在减少网络参数量，优化推理时间，从而在确保特征提取效率的同时，与ERCN的上采样形成复杂性与性能的平衡。

通过“一增一减”的架构优化，改进后的模型在精度与效率之间达到了更优的平衡。

4. 模型训练与实验设置 实验在配备Intel Xeon W-2223处理器、64GB RAM和5GB NVIDIA Quadro P2200 GPU的Windows 10工作站上进行，使用PyTorch平台。训练采用随机梯度下降（SGD）优化器，初始学习率0.01并在训练中衰减至0.005，批量大小（Batch Size）设为8，输入图像尺寸640×640像素，共训练300个轮次（Epochs）。损失函数采用适用于多类别分类的交叉熵损失（Cross-Entropy Loss），以衡量预测类别分布与真实分布的差异。

5. 性能评估指标 研究采用混淆矩阵中的查准率（Precision）、召回率（Recall）、平均精度均值（mean Average Precision, mAP）（包括mAP@0.50和mAP@0.50:0.95两个IOU阈值指标）以及整体检测准确率（Accuracy）来综合评价模型性能。

四、主要研究结果与深入分析

1. 模型训练与收敛性分析 训练和验证的损失曲线（Loss Curve）显示，损失值大幅下降且过程平稳，未见明显波动或过拟合现象，表明模型具有良好的泛化能力。模型处理单张640×640像素图像仅需11.2毫秒，充分证明了其满足实时处理需求的能力。

2. 模型性能指标 随着训练轮次增加，模型的查准率、召回率和mAP曲线均表现出持续稳定的提升。最终，改进的YOLOv7-Tiny模型在验证集上取得了卓越的性能：召回率达到90%，查准率为85%，mAP@0.50高达84%，mAP@0.50:0.95为40%，整体检测准确率更是达到了98%。这些数据表明，该模型在精确识别缺陷（高查准率）与尽可能多地找出所有缺陷（高召回率）之间取得了极佳的平衡。

3. 测试集定性结果与泛化能力 在测试图像上的检测结果直观显示，该模型能够无视织物颜色，准确识别出各类缺陷。更重要的是，模型对未经训练的“其他类型织物”同样展现了强大的检测能力，尤其在单色织物上表现最佳。这一结果有力证明了模型的鲁棒性和跨场景泛化潜力，是迈向实际应用的关键一步。

4. 消融实验 (Ablation Study)与模型对比 消融实验为架构改进的有效性提供了数据支撑。当仅使用增强型ELAN或仅使用精简型ELAN-D时，模型在mAP@0.50:0.95上仅能分别达到0.34和0.30。而同时应用两种改进的完整版模型，在相同批量大小下，该指标跃升至0.40，性能提升显著。在与其他主流YOLO系列模型（如YOLOv5l, YOLOv8x, YOLOv9e, YOLOv10x）的横向对比中，本研究的改进模型在所有关键指标（查准率、召回率、mAP@0.5及mAP@0.5:0.95）上均位列第一。例如，YOLOv5l的mAP@0.5:0.95为0.36，而本模型为0.40，显示出更强的检测一致性和鲁棒性。尽管模型参数有所增加，但推理时间（Inference Time）仍为11.11毫秒，维持了高速检测能力。同时，类别级精确度分析显示，模型对8种缺陷的F1分数均超过80%，其中断经和破洞的召回率高达93%和94%。

五、研究结论与价值

本研究成果表明，通过战略性调整YOLOv7-Tiny模型的网络架构（增强ERCN层以强化小目标特征提取，精简ELAN-D层以优化效率），可以成功构建一个适应纺织工业需求的实时缺陷检测系统。其科学价值在于验证了一种针对小目标检测问题进行网络深度与宽度平衡设计的新思路。其应用价值更是不言而喻：该模型以98%的检测准确率、90 FPS的检测速度和最小1毫米的缺陷识别能力，完美契合了现代纺织品生产线对自动化、高速、高精度质量管理的迫切需求，有望彻底替代效率低下的人工验布，大幅降低人力成本，提升产品良率。

六、研究亮点与创新性

本研究的亮点与创新性主要体现在：1. 精巧的架构平衡设计：提出的“一增一减”改进策略（增强ERCN、精简ELAN-D），并非简单地堆叠网络层数，而是有针对性地优化了特征提取和信息流动路径，在提升精度的同时保持了高效的推理速度。2. 卓越的小缺陷检测能力：增强型ERCN所采用的双连接技术和残差连接，是攻克小至1毫米尺度缺陷检测难题的关键，解决了传统模型中小目标特征易丢失的核心痛点。3. 产业级的实时应用潜力：研究不仅追求精度，更兼顾速度，最终以90 FPS的高帧率满足了实际生产要求，并通过在其他未训练织物上的出色表现，展示了强大的实际部署价值。

七、未来展望

论文指出，未来工作可通过引入更广泛、更多样化的数据集，并增加更多缺陷类别，以进一步提升模型的泛化能力，使其能适应更广泛的织物类型和更复杂的实际生产环境，构建一个更为稳健和通用的织物缺陷检测系统。