人工智能本科毕业论文毕业设计论文.docxVIP

人工智能本科毕业论文毕业设计论文

基于轻量化YOLOv8的织物缺陷检测系统研究

摘要

针对传统织物缺陷检测依赖人工导致的效率低、漏检率高问题，以及现有深度学习模型参数量大、难以部署于工业边缘设备的痛点，本文提出一种基于轻量化改进YOLOv8的织物缺陷检测方法。通过替换主干网络为MobileNetV3-Large、设计多尺度特征融合模块，并引入注意力机制优化小缺陷特征提取，在公开织物缺陷数据集（TILDA）及自建棉纺缺陷数据集上开展实验。结果表明：改进模型参数量减少62.3%，推理速度提升至89FPS，在12类缺陷检测任务中mAP@0.5达94.7%，较原始YOLOv8提升3.2个百分点，且能稳定运行于NVIDIAJetsonNano边缘设备。该系统可满足纺织企业实时检测需求，为工业质检智能化提供实用方案。关键词：织物缺陷检测；轻量化模型；YOLOv8；边缘计算；计算机视觉

1引言

1.1研究背景与意义

纺织工业作为制造业支柱产业，产品质量检测是保障市场竞争力的关键环节。据中国纺织工业联合会2024年报告显示，我国规模以上纺织企业年生产织物超500亿米，其中缺陷检测环节人工成本占质检总费用的65%，且人工检测平均漏检率达12%-18%。传统人工检测依赖质检员经验，易受疲劳、环境光等因素影响，难以适应高速生产线的实时检测需求。

随着人工智能技术发展，基于深度学习的目标检测算法在工业质检领域展现出巨大潜力。YOLO（YouOnlyLookOnce）系列算法因兼顾精度与速度，已广泛应用于金属表面缺陷、电子元件瑕疵检测等场景。但现有YOLOv8模型参数量达11.2M，推理时需占用大量计算资源，无法直接部署于纺织厂常用的边缘计算设备。同时，织物缺陷存在尺度差异大（如线头缺陷仅2-3像素，破洞可达数百像素）、纹理干扰强等特点，导致通用检测模型精度不足。

因此，研究轻量化、高精度的织物缺陷检测模型具有重要现实意义：在工业应用层面，可降低检测设备部署成本，提升生产线质检效率；在学术层面，为小目标、复杂纹理场景下的轻量化检测技术提供实践参考。

1.2国内外研究现状

1.2.1织物缺陷检测技术进展

早期织物缺陷检测主要采用机器视觉方法，如基于Gabor滤波器的纹理分析（Zhang等，2020）和阈值分割算法（Li等，2021），但这类方法依赖人工设计特征，泛化能力差。深度学习兴起后，CNN-based方法成为主流：Wang等（2022）采用U-Net网络实现织物缺陷分割，mIoU达89%，但推理速度仅15FPS；Zhao等（2023）基于YOLOv7构建检测系统，mAP达91.5%，但参数量高达27M，难以边缘部署。

1.2.2轻量化检测模型研究

当前轻量化技术主要分为模型压缩与轻量化架构设计两类。模型压缩方面，Han等（2023）通过量化剪枝将YOLOv8参数量减少40%，但精度下降2.8个百分点；架构设计方面，MobileNet系列通过深度可分离卷积实现轻量化，GhostNet则采用特征复用策略减少计算量。但现有轻量化模型在小缺陷检测中普遍存在特征丢失问题，如MobileNetV3-YOLOv5在TILDA数据集上小缺陷mAP仅78%。

1.3研究内容与创新点

1.3.1研究内容

构建包含12类缺陷的织物数据集，涵盖棉纺、化纤等主流织物类型；

基于YOLOv8设计轻量化网络，优化主干特征提取与多尺度融合模块；

引入注意力机制增强小缺陷特征表达，设计自适应损失函数平衡类别差异；

开展对比实验与消融实验，验证模型性能并部署于边缘设备。

1.3.2创新点

提出“MobileNetV3+深度可分离残差块”的轻量化主干，在参数量减少62%的同时保持特征提取能力；

设计跨尺度注意力融合模块（CSAF），通过空间注意力与通道注意力加权融合多尺度特征，提升小缺陷检测精度；

构建适应织物缺陷分布的混合损失函数，结合FocalLoss与DIOULoss解决类别不平衡与定位偏移问题。

2相关理论基础

2.1目标检测基本原理

目标检测任务需同时实现目标定位（boundingbox坐标预测）与分类（目标类别判断），按网络结构可分为两阶段算法（如FasterR-CNN）与单阶段算法（如YOLO系列）。单阶段算法通过回归方式直接输出检测结果，具有速度优势，其核心公式如下：

L=\lambda_{cls}L_{cls}+\lambda_{box}L_{box}+\lambda_{obj}L_{obj}

其中L_{cls}为分类损失，L_{box}为定位损失，L_{ob