这是一篇发表在《Archives of Computational Methods in Engineering》期刊上的系统综述论文，由印度理工学院的Abhijit Majumdar、Rajib Bhattacharyya和印度管理学院Shillong分校的Vinay Surendra Yadav共同撰写，于2025年9月2日在线发表。该研究旨在系统梳理深度学习在纺织工业中的应用现状，并指明未来的研究方向。

一、 研究背景与目的

纺织与服装工业是劳动密集型产业，其价值链漫长，涵盖纤维制造、纱线生产、面料织造、湿加工和成衣制造等多个环节。这些环节在产生大量数据的同时，也极易产生导致内外部损失成本的缺陷。传统的人工方法已无法从海量数据中识别出模式和趋势。虽然人工智能和机器学习为解决此问题提供了广阔的应用空间，但该领域缺乏一项涵盖纺织全价值链的深度学习应用系统综述。为填补这一研究空白，作者进行了此项研究，旨在回答三个核心问题：纺织作业与质量管理中使用了哪些不同类型的深度学习算法？这些算法被应用在哪些生产阶段？以及该领域未来的研究方向是什么？

二、 研究方法

本研究采用了一种混合方法，结合了文献计量学分析（Bibliometric Analysis）、网络分析（Network Analysis）和内容分析（Content Analysis），以对相关文献进行全面回顾。其方法论灵感来源于Zupic和Čater开发的五步系统综述法。

在文献收集阶段，研究团队首先确定了检索关键词，最终采用“(“deep learning” and (textile or fibre or cloth* or garment or fabric or yarn))”作为检索字符串，在Scopus和Web of Science数据库的标题、关键词和摘要中进行搜索。为保证研究质量，文献范围被限定为英文的学术期刊研究论文，排除了书籍章节、教科书和会议论文集。经过在Scopus检索到319篇、Web of Science检索到303篇文章，并通过人工去重和摘要相关性筛选后，作者基于共识最终选定了201篇高度相关的文章进行分析。数据分析环节则借助R软件和VOSviewer工具，分别进行文献计量和网络分析。

三、 主要内容与发现

通过内容分析，本文详细阐述了深度学习技术在纺织价值链各环节的具体应用。

首先，在深度学习技术应用概况方面，研究发现卷积神经网络（Convolutional Neural Network，CNN）是应用最广泛的技术，占所分析文献的约36.8%。在考虑混合深度学习（Hybrid DL）系统时，CNN也是最常被使用的核心组件。除CNN外，“深度神经网络（Deep Neural Network，DNN）”和“你只看一次（You Only Look Once，YOLO）”系列算法也分别占据了18.7%和8.3%的应用比例。论文对关键技术架构进行了剖析，例如，CNN通过卷积层、激活层（ReLU）和池化层来自动识别图像特征，无需人工提取；YOLO则将目标检测视为回归问题，通过单一神经网络实现实时检测，相较于CNN这类两阶段检测器，速度更快。此外，论文还介绍了循环神经网络（RNN）、长短期记忆网络（LSTM）、门控循环单元（GRU）、深度信念网络（DBN）以及其他新兴或专用的模型，如用于纤维束图像增强的图注意力循环神经网络（GARNN）、用于身体形状重建的多头注意力网络（MMAN）等。

其次，论文按纺织生产阶段对应用进行了分类。

在纤维制造与质量管理阶段，深度学习主要用于纤维识别和分类，以替代耗时且成本高昂的人工方法。例如，研究利用基于CNN的系统以高达99.8%的准确率检测羊毛和马海毛；通过CNN和随机森林的混合模型对羊毛与羊绒纤维进行自动特征提取和分类；利用基于U-Net的架构评估原棉中的异性纤维数量，其与真实值的相对误差小于4%；还有研究将CNN与穆勒矩阵（Muller Matrix）偏振成像结合，对用于组织工程的电纺纤维进行分类，准确率达到96.15%。

在纱线制造与质量管理阶段，尽管应用相对稀疏，但深度学习在预测纱线质量、获取纱线几何特征和检测疵点方面展现出巨大潜力。例如，有研究结合核主成分分析（KPCA）、深度信念网络（DBN）和粒子群优化（PSO）算法，建立了预测纱线质量波动模型；另有研究通过深度CNN从计算机断层扫描（CT）图像中精确分割纱线，生成数字材料孪生，全局准确率超过96%；还有工作利用知识增强型CNN解决纱线图像的变尺度离焦模糊问题，从而将质量检测误差从约1.5%降至0.53%。

在织物制造与质量管理阶段，深度学习的应用最为广泛和深入，覆盖了织物分类、疵点检测、起毛起球评级和印花缺陷检测等。例如，研究人员利用基于ResNet的CNN实现了对机织物纹理的高精度分类；通过Mobile-Unet模型以更少的参数和更高的分割精度实现了端侧织物疵点分割；开发了结合图像预处理、织物组织判定和CNN的在线织造疵点检测系统，对疵点的平均检测准确率超过90%。在疵点检测中，半监督学习方法，如结合多任务均值教师（Mean Teacher）的架构，有效解决了数据标注成本高昂的问题。

在成衣制造与质量管理阶段，深度学习在服装检索、分类、抓取点识别和缝合疵点检测等方面扮演了关键角色。例如，有算法可以通过CNN识别衣物类型并确定两个抓取点，使机器人能够将衣物摆放到已知位置；利用视觉Transformer（ViT）开发时装推荐系统；以及通过CNN特征图和图像处理技术识别缝纫中的断线疵点，准确率达到92.3%。

此外，论文指出深度学习在纺织品供应链管理、化学处理等环节的渗透率极低，存在广阔的研究空间。

四、 结论与研究价值

本研究通过绘制知识图谱，清晰展示了深度学习在纺织工业各环节的应用分布，明确指出CNN和混合DL系统是当前的主流技术，而织物和服装制造阶段是应用最集中的领域。其核心的科学价值在于，这是首篇覆盖纺织全价值链的深度学习应用系统综述，填补了既有研究的空白，为学术界提供了全面的参考基准和知识结构图。其应用价值在于，为纺织工业界指出了可实现自动化检测、质量控制和生产优化的具体技术路径，同时，该研究还指明了未来的研究方向，包括将深度学习扩展到纱线制造、化学处理和供应链管理等渗透不足的领域，发展适用于小数据集的模型，以及利用深度学习解决真假产品鉴别、手工艺品保护等更复杂的问题，从而推动纺织行业从基于规则的传统模式向智能化的未来转型。