基于改进YOLOv13的纺织品瑕疵检测方法分析

引言

纺织品瑕疵检测是保障产品质量与生产效率的关键环节。传统人工目检易受主观因素影响，误检率和漏检率高，难以满足现代纺织工业自动化、高速化生产的需求［1］。纺织品瑕疵具有小目标比例高、背景重复纹理强、形态尺度差异大等特点，使得其检测比自然场景目标检测更具挑战性。

早期方法依赖人工设计特征(如灰度共生矩阵、局部二值模式等)，在规则纹理下尚有一定效果，但在复杂背景、弱批度瑕疵场景中鲁棒性和泛化能力不足［2］。深度学习技术的发展，尤其是基于卷积神经网络的目标检测算法，显著提升了检测精度与速度［3］。两阶段检测器(如Faster R-CNN［4］)精度高但速度慢；一阶段检测器(如YOLO系列)更能满足实时性要求，成为主流方向［5-7］。现有研究多从注意力机制、特征融合、损失函数等角度改进YOLO模型，但仍存在三方面不足：下采样过程易丢失高频纹理与边缘细节，削弱对小目标和弱对比度缺陷的感知；重复纹理与复杂背景下，缺陷与背景局部相似，易导致误检与漏检；多尺度特征融合限制了全局上下文建模能力。

针对上述问题，本文以YOLOv13［8］为基础，提出改进的纺织品瑕疵检测模型WHAYOLO。具体地，该方法在主干网络中引入小波残差下采样模块(Wavelet Residual Downsampling Module, WRDM)，以保留边缘与纹理细节；在多尺度特征增强阶段设计基于超图的上下文增强模块(Hypergraphbased Context Enhancement Module, HyperCEM)，以提升远距离上下文建模能力；在颈部网络中设计自适应特征调制聚合模块(Adaptive Feature Modulation and Aggregation Module, AFMAM)，以实现空间细节与通道关系的联合增强。实验表明，WHAYOLO在公共纺织品瑕疵数据集上取得了显著性能提升。

本文详细内容请下载：

http://www.chinaaet.com/resource/share/2000007261

投稿邮箱：ICAPP@belling.com.cn

作者信息：

于邈，孙俊，彭逸飞，卢志强

(江苏大学电气信息工程学院，江苏镇江212013)