杨毅，桑庆兵

（江南大学人工智能与计算机学院，江苏无锡 214122）

0 概述

织物质量检测一直以来都是纺织产业生产加工中的重要环节，织物瑕疵的出现会直接影响企业的利润。随着企业生产效率不断提升，传统人工检测的方法已不能适应大批量自动化生产检测的要求［1］。因此，采用自动疵点检测技术已成为提高织物质量、降低人工成本的必然趋势［2］，但是机器自动检测织物瑕疵的效率和准确性仍面临较大挑战。

传统织物瑕疵检测方法主要分为结构法、统计法、频谱法、模型法、基于学习的方法等［3］。MIRMAHDAVI等［4］将无瑕疵样本输入高斯混合模型训练，通过实验设定欧氏距离阈值进行瑕疵检测。文献［5］利用织物纹理的周期性，通过匹配缺陷位置的相对偏移量和傅里叶位移定理曲线，分割出织物瑕疵部分。然而，传统算法存在缺陷分割性能差、噪声敏感、漏检率高等问题。随着计算机算力的快速提升，深度学习被广泛应用于织物视觉计算与处理领域。LIU等［6］提出一种基于CGAN［7］的多判别器模型，研究潜在匹配规则和服装属性之间关系，ZHAO等［8］开发了一个基于 双向长短期记忆Bi-LTSM［9］模型的端到端服装搭配学习框架，ZHANG等［10］提出使用GAN［11］从人体穿着服装图像生成具有真实纹理的平铺服装图像。在织物瑕疵检测任务中，深度学习方法具有较强的特征表征能力。文献［12］采用深度学习方法，通过改进ResNet50［13］网络提取特征，使用特征金字塔网络过滤冗余特征，实现对织物瑕疵的检测。以上检测方法解决了部分织物瑕疵检测问题，但目前织物检测存在缺陷种类多，尤其是小目标缺陷较多，对实时性要求高的问题，给深度学习方法的应用带来一定困难。……