楊毅，桑慶兵

（江南大學(xué)人工智能與計算機(jī)學(xué)院，江蘇無錫 214122）

0 概述

織物質(zhì)量檢測一直以來都是紡織產(chǎn)業(yè)生產(chǎn)加工中的重要環(huán)節(jié)，織物瑕疵的出現(xiàn)會直接影響企業(yè)的利潤。隨著企業(yè)生產(chǎn)效率不斷提升，傳統(tǒng)人工檢測的方法已不能適應(yīng)大批量自動化生產(chǎn)檢測的要求［1］。因此，采用自動疵點檢測技術(shù)已成為提高織物質(zhì)量、降低人工成本的必然趨勢［2］，但是機(jī)器自動檢測織物瑕疵的效率和準(zhǔn)確性仍面臨較大挑戰(zhàn)。

傳統(tǒng)織物瑕疵檢測方法主要分為結(jié)構(gòu)法、統(tǒng)計法、頻譜法、模型法、基于學(xué)習(xí)的方法等［3］。MIRMAHDAVI等［4］將無瑕疵樣本輸入高斯混合模型訓(xùn)練，通過實驗設(shè)定歐氏距離閾值進(jìn)行瑕疵檢測。文獻(xiàn)［5］利用織物紋理的周期性，通過匹配缺陷位置的相對偏移量和傅里葉位移定理曲線，分割出織物瑕疵部分。然而，傳統(tǒng)算法存在缺陷分割性能差、噪聲敏感、漏檢率高等問題。隨著計算機(jī)算力的快速提升，深度學(xué)習(xí)被廣泛應(yīng)用于織物視覺計算與處理領(lǐng)域。LIU等［6］提出一種基于CGAN［7］的多判別器模型，研究潛在匹配規(guī)則和服裝屬性之間關(guān)系，ZHAO等［8］開發(fā)了一個基于 雙向長短期記憶Bi-LTSM［9］模型的端到端服裝搭配學(xué)習(xí)框架，ZHANG等［10］提出使用GAN［11］從人體穿著服裝圖像生成具有真實紋理的平鋪服裝圖像。在織物瑕疵檢測任務(wù)中，深度學(xué)習(xí)方法具有較強(qiáng)的特征表征能力。文獻(xiàn)［12］采用深度學(xué)習(xí)方法，通過改進(jìn)ResNet50［13］網(wǎng)絡(luò)提取特征，使用特征金字塔網(wǎng)絡(luò)過濾冗余特征，實現(xiàn)對織物瑕疵的檢測。以上檢測方法解決了部分織物瑕疵檢測問題，但目前織物檢測存在缺陷種類多，尤其是小目標(biāo)缺陷較多，對實時性要求高的問題，給深度學(xué)習(xí)方法的應(yīng)用帶來一定困難。

為滿足織物瑕疵數(shù)據(jù)檢測任務(wù)實時性需求，本文將YOLOv4［14］網(wǎng)絡(luò)的主干網(wǎng)絡(luò)替換為MobileNetv2［15］，并使用CoordAttention［16］模塊對MobileNetv2 的逆殘差結(jié)構(gòu)進(jìn)行改進(jìn)，增強(qiáng)其對小目標(biāo)瑕疵的特征提取能力。采用自適應(yīng)特征融合（Adaptively Spatial Feature Fusion，ASFF）［17］網(wǎng)絡(luò)改進(jìn)路徑聚合網(wǎng)絡(luò)（Path Aggregation Network，PANet）［18］結(jié)構(gòu)，提高小目標(biāo)缺陷檢測精度。針對不同種類瑕疵長寬比差異大、原始先驗框尺寸不適用的問題，使用K-means++［19］算法進(jìn)行瑕疵尺寸聚類，確定錨框尺寸，并采用Focal Loss［20］函數(shù)降低正、負(fù)樣本不平衡對檢測效果的影響。

1 YOLOv4 與MobileNetv2結(jié)構(gòu)

目標(biāo)檢測算法根據(jù)有無區(qū)域建議主要分為兩類：一類是無區(qū)域建議算法，通過一個卷積神經(jīng)網(wǎng)絡(luò)直接對圖像各個位置上的候選框進(jìn)行預(yù)測和分類，例如YOLOv4［14］與SSD［21］；另一類是基于區(qū)域建議的算法，由區(qū)域提議和檢測2 個步驟組成，相較于無區(qū)域建議算法，其精度較高但速度慢，代表網(wǎng)絡(luò)有Faster R-CNN［22］等。

YOLOV4 是無區(qū)域建議目標(biāo)檢測算法的代表之一，其結(jié)構(gòu)如圖1 所示。其主干網(wǎng)絡(luò)CSPDarknet-53在YOLOv3［23］網(wǎng)絡(luò)的Darknet53 基礎(chǔ)上引進(jìn)了CSPNet［24］模塊結(jié)構(gòu)，相較于Darknet53 網(wǎng)絡(luò)，模型預(yù)測的準(zhǔn)確率和推理速度均有所提高。頸部網(wǎng)絡(luò)包括空間金字塔池化（Spatial Pyramid Pooling，SPP）［25］和PANet 兩個部分，SPP 通過使用不同大小的滑動核，有效增加了網(wǎng)絡(luò)感受野，并將局部與全局的特征進(jìn)行融合，增加了特征的豐富性。PANet 相較于FPN［26］網(wǎng)絡(luò)增加了自下而上的增強(qiáng)路徑，通過保留空間信息以增強(qiáng)實例分割過程。頭部網(wǎng)絡(luò)采用YOLOv3 網(wǎng)絡(luò)檢測頭，分別提取主干特征網(wǎng)絡(luò)最后3 層的圖像特征，生成邊界框和類別預(yù)測。

圖1 YOLOv4 網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of YOLOv4 network

YOLOv4 原始主干網(wǎng)絡(luò)CSPDarknet-53 雖然能有效提取深度特征信息，但結(jié)構(gòu)復(fù)雜且參數(shù)量多，導(dǎo)致難以應(yīng)用于計算資源較差、實時性要求高的織物瑕疵檢測任務(wù)中。

MobileNetv2 是一種輕量化的特征提取網(wǎng)絡(luò)，其核心為深度可分離卷積和具有線性瓶頸的逆殘差結(jié)構(gòu)，具體如下：

1）深度可分離卷積。相較于普通卷積，深度可分離卷積能有效減少模型的參數(shù)量和計算量，其流程如圖2 所示。

圖2 深度可分離卷積流程Fig.2 Procedure of depth separable convolution

對于輸入為FH×FW×M的特征圖，F(xiàn)H、FW分別為特征圖的高和寬，M為通道數(shù)，對特征圖進(jìn)行卷積操作，卷積核大小為K×K，卷積核數(shù)量為N，輸出特征圖大小為DH×DW×N，在對特征圖進(jìn)行標(biāo)準(zhǔn)卷積的過程中，計算量C1和參數(shù)量P1的表達(dá)式如下所示：

對特征圖進(jìn)行深度可分離卷積運算，計算量C2和參數(shù)量P2的表達(dá)式分別如下所示：

深度可分卷積與標(biāo)準(zhǔn)卷積計算量之比如式（5）所示：

若將深度可分離卷積的卷積核大小設(shè)為3×3，步長設(shè)置為1，按式（5）進(jìn)行計算，其計算量下降為普通卷積的1/9，模型檢測速度得到大幅提高。

2）具有線性瓶頸的逆殘差結(jié)構(gòu)。普通殘差塊先通過1×1 卷積將特征圖通道數(shù)降維，經(jīng)過卷積提取特征后再擴(kuò)張通道數(shù)。逆殘差結(jié)構(gòu)與其相反，由于輸入通道數(shù)的增加有利于深度可分離卷積提取特征，所以先對特征圖通道數(shù)進(jìn)行升維，以提取更多特征，再壓縮通道數(shù)。同時，為了消除Relu 函數(shù)對被壓縮特征的影響，在1×1 卷積降維后使用Linear 函數(shù)代替Relu 函數(shù)。

表1 所示為MobileNetv2 網(wǎng)絡(luò)的結(jié)構(gòu)，可以看到MobileNetv2 網(wǎng)絡(luò)由多個具有線性瓶頸的逆殘差結(jié)構(gòu)組成。

表1 MobileNetv2 網(wǎng)絡(luò)結(jié)構(gòu)Table 1 Structure of MobileNetv2 network

2 模型結(jié)構(gòu)與優(yōu)化

2.1 MobileNetv2 逆殘差結(jié)構(gòu)優(yōu)化

在輕量級網(wǎng)絡(luò)上的研究表明，通道注意力會給模型帶來較顯著的性能提升。為提高模型對瑕疵特征提取能力，本文在MobileNetv2 逆殘差塊中加入新型注意力機(jī)制CoordAttention 模塊，如圖3 所示，通過將位置信息嵌入到通道注意力中，使網(wǎng)絡(luò)能夠更好地獲取空間方向的特征信息，使小目標(biāo)檢測定位更加精確，同時也能避免產(chǎn)生大量的計算開銷。

圖3 加入CoordAttention 模塊的逆殘差結(jié)構(gòu)Fig.3 Inverse residual structure with CoordAttention module

CoordAttention 的運算過程由坐標(biāo)信息嵌入和坐標(biāo)注意力生成兩步組成，具體過程如下所示：

1）坐標(biāo)信息嵌入。相對于全局池化壓縮全局空間信息，導(dǎo)致位置信息難以保存，CoordAttention 模塊使用一對一特征編碼操作替換全局池化，并分別沿2 個空間方向聚合特征，得到一對具有空間信息的特征圖，從而有利于網(wǎng)絡(luò)更準(zhǔn)確地定位感興趣的目標(biāo)。

2）坐標(biāo)注意力生成。將生成的特征圖進(jìn)行拼接，然后使用1×1 卷積生成具有水平和垂直方向空間信息的特征圖，如式（6）所示：

其中：[·，·]為沿空間維數(shù)的concatenate 操作；F為1×1卷積變換函數(shù)；δ為非線性激活函數(shù)；zh、zw分別為水平與豎直方向特征圖。得到同時具有水平、豎直方向空間信息的特征圖之后，按空間維度將f分解為兩個獨立的張量，并使用1×1 卷積與sigmoid 激活函數(shù)對張量分別進(jìn)行處理，將結(jié)果gh、gw分別展開作為水平與豎直方向的注意力權(quán)重，其表達(dá)式如下所示：

其中：σ是sigmoid 激活函數(shù)；Fh和Fw為1×1 卷積變換。將權(quán)重與輸入的特征圖相乘，使原始特征圖具有注意力權(quán)重，增強(qiáng)聚焦特征能力。使用嵌入CoordAttention 模塊的逆殘差替換原網(wǎng)絡(luò)中的逆殘差結(jié)構(gòu)，提升MobileNet 網(wǎng)絡(luò)提取精確位置信息和感興趣領(lǐng)域的能力，且不過多增加計算開銷。相較于SE 模塊［27］只考慮通道間信息的編碼而忽視位置信息，CBAM 模塊［28］僅能捕獲局部相關(guān)性而無法捕獲更大區(qū)域的依賴關(guān)系，而CoordAttention 模塊對于特征信息的提取更全面。

2.2 PANet 網(wǎng)絡(luò)的改進(jìn)

深層特征圖具有較強(qiáng)的語義信息，但分辨率低，細(xì)節(jié)感知能力差，適合大目標(biāo)檢測。淺層特征圖感受野小，包含更多位置、信息細(xì)節(jié)，且?guī)缀伪碚髂芰?qiáng)，適合小目標(biāo)檢測。PANet 網(wǎng)絡(luò)結(jié)構(gòu)如圖4 所示，YOLOv4 使用該結(jié)構(gòu)進(jìn)行多尺度特征融合，

圖4 PANet 網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Structure of PANet network

PANet 網(wǎng)絡(luò)在原有FPN 自上而下的特征融合路徑（如圖4（a）所示）的基礎(chǔ)上，增加自下而上的增強(qiáng)路徑（如圖4（b）所示），通過對淺層與深層特征圖的反復(fù)提取，融合不同尺度特征圖的特征信息。但PANet 網(wǎng)絡(luò)的融合方式只是簡單地將特征圖轉(zhuǎn)換成相同尺度再相加，不能充分利用不同尺度的特征。使用ASFF 網(wǎng)絡(luò)改進(jìn)PANet 結(jié)構(gòu)，通過給不同尺度的特征融合分配自適應(yīng)的權(quán)重參數(shù)，實現(xiàn)多尺度特征圖的高效融合，改進(jìn)后的PANet 結(jié)構(gòu)如圖5 所示。

圖5 改進(jìn)后的PANet 網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 Structure of improved PANet network

以ASFF-2 的計算過程為例，ASFF-2 由特征圖Level 1、Level 2 和Level 3 融合得到，Level 1 通過1×1卷積將通道數(shù)調(diào)整到與Level 2 一致，再用插值方式調(diào)整尺寸與Level 2 一致，得到X1→2；對Level 3 特征圖進(jìn)行stride=2 的3×3 卷積操作，并調(diào)整通道數(shù)與Level 2 一致，得到X3→2。Level 2 特征層即X2→2，最后利用卷積核為1×1 的卷積操作壓縮通道數(shù)，沿通道方向拼接，再使用卷積將通道數(shù)降為3，對3 個通道上的特征圖使用softmax 函數(shù)處理，分別得到X1→2、X2→2、X3→2的融合權(quán)重αij、βij、γij。ASFF網(wǎng)絡(luò)的融合過程表達(dá)式如式（9）所示：

ASFF 網(wǎng)絡(luò)實現(xiàn)了αij、βij、γij這3 個比例參數(shù)的自適應(yīng)調(diào)整，將其作為網(wǎng)絡(luò)模型的可更新參數(shù)，通過誤差梯度反向傳播更新融合權(quán)重，使模型的多尺度特征融合更加充分，能更有效地利用特征，提高模型對小目標(biāo)瑕疵的檢測能力。

2.3 聚類先驗框優(yōu)化

YOLOv4 的先驗框是在PASCAL VOC 數(shù)據(jù)集中采用K-means 算法聚類而來，織物瑕疵數(shù)據(jù)集中小目標(biāo)瑕疵較多，粗經(jīng)、軋痕等瑕疵長寬比較大，因此需要針對織物缺陷數(shù)據(jù)集聚類出先驗框。傳統(tǒng)K-means 聚類算法結(jié)果不穩(wěn)定且易陷入局部最優(yōu)，導(dǎo)致聚類先驗框與實際目標(biāo)匹配度低，影響檢測精度。本文使用K-means++聚類算法穩(wěn)定初始化聚類中心選擇，具體過程如下：

1）在數(shù)據(jù)點之間隨機(jī)選擇一個聚類中心；

2）計算每個樣本與當(dāng)前已有聚類中心最短距離D（x），數(shù)據(jù)點被選取作為聚類中心的概率與D（x）大小正相關(guān)，使用輪盤法選出下一個聚類中心；

3）重復(fù)步驟2 直到選擇出k個聚類中心點。

K-means++能夠優(yōu)化初始聚類中心點的選取，從而改善分類結(jié)果誤差，修改后的anchor box 大小分別為（4，15）、（8，10）、（12，48）、（22，52）、（36，55）、（46，52）、（55，396）、（65，118）、（228，38）。

2.4 Focal Loss 函數(shù)改進(jìn)

由于織物瑕疵數(shù)據(jù)中瑕疵區(qū)域占整個織物圖像的比例很小，若將不含瑕疵的區(qū)域當(dāng)做負(fù)樣本，含瑕疵的區(qū)域為正樣本，則不含瑕疵區(qū)域的負(fù)樣本數(shù)量遠(yuǎn)多于含瑕疵的正樣本數(shù)量。正負(fù)樣本數(shù)量嚴(yán)重失衡可能導(dǎo)致給模型提供的瑕疵特征較少，影響模型收斂，因此采用Focal Loss 函數(shù)優(yōu)化分類損失。類別損失、置信度損失和位置損失共同構(gòu)成YOLOv4 的損失函數(shù)，其中，原始YOLOv4 的類別損失為交叉熵?fù)p失函數(shù)，其表達(dá)式如式（10）所示：

其中：L表示交叉熵；C表示分類種類數(shù)；y為期望輸出，表示經(jīng)過激活函數(shù)后的輸出。改進(jìn)后的Focal loss 函數(shù)表達(dá)式如式（11）所示：

其中：α為矯正系數(shù)，作用是平衡樣本數(shù)量；β為超參數(shù)，一般取2。通過引入α 和β 兩個約束參數(shù)，可以在網(wǎng)絡(luò)訓(xùn)練過程中自動對正負(fù)樣本不平衡進(jìn)行調(diào)整。

3 實驗結(jié)果與分析

本次實驗操作系統(tǒng)為Windows10，CPU 為Intel Core i7-8700K，內(nèi)存16 GB，GPU 為NIVIDA GeForce GTX1080，顯存8 GB，選用Pytorch 作為深度學(xué)習(xí)框架，開發(fā)工具為Pycharm2019.1。初始學(xué)習(xí)率設(shè)定為0.001，Momentum 動量參數(shù)設(shè)為0.2，IOU 閾值設(shè)置為0.5，共訓(xùn)練300 個epoch。

3.1 實驗數(shù)據(jù)集及評價指標(biāo)

本次實驗所使用的數(shù)據(jù)集來自阿里天池布匹疵點數(shù)據(jù)集，為驗證本文改進(jìn)算法在織物瑕疵檢測任務(wù)，尤其是對小目標(biāo)瑕疵檢測任務(wù)中的性能提升，從其中選取實際生產(chǎn)較為常見的6 種缺陷，包括結(jié)頭、三絲、破洞、粗經(jīng)、緯縮和軋痕圖片共2 026 張，其中結(jié)頭、三絲、破洞為小目標(biāo)瑕疵。采用圖像翻轉(zhuǎn)、圖像縮放、圖像融合等數(shù)據(jù)增強(qiáng)方式擴(kuò)充至8 104 張，處理訓(xùn)練圖片大小為608×608 像素，各類瑕疵圖片數(shù)量如表2 所示，訓(xùn)練集、測試集和驗證集的劃分比例為8∶1∶1。

表2 阿里天池布匹疵點數(shù)據(jù)集的類別統(tǒng)計結(jié)果Table 2 Statistics results of alibaba tianchi fabric defect dataset category

本文實驗的評價指標(biāo)為平均精度（Average Precision，AP），平均精度均值（mean Average Precision，mAP），幀率（Frame Per Second，F(xiàn)PS），F(xiàn)PS 指模型每秒能夠檢測的圖片數(shù)量，可以作為檢測速度的衡量指標(biāo)。平均精度指標(biāo)的表達(dá)式如下所示：

其中：p為準(zhǔn)確率；r為召回率。準(zhǔn)確率和召回率的表達(dá)式如下所示：

其中：TTP、FFP分別表示正確、錯誤判斷的瑕疵樣本個數(shù)，F(xiàn)FN為被錯誤檢測的負(fù)樣本數(shù)量。

平均精度均值的表達(dá)式為：

3.2 主流算法與本文算法對比

為驗證本文算法在織物瑕疵檢測任務(wù)中的性能，將主流目標(biāo)檢測算法Faster-RCNN［20］、YOLOv4、YOLOv4-Tiny、YOLOv4-MobileNet 與本文改進(jìn)YOLOv4 算法在相同的數(shù)據(jù)集上進(jìn)行訓(xùn)練，結(jié)果如表3 所示。由表3 可知，F(xiàn)aster-RCNN 算法的mAP 較高，但檢測速度較慢，模型體積大，對算力要求高，難以滿足織物瑕疵檢測實時性的要求。將本文改進(jìn)YOLOv4 算法與YOLOv4 算法相比，mAP 提升2.3 個百分點，檢測速度提升了12 frame/s，且本文模型體積相較于YOLOv4 算法大幅減少，能夠滿足工業(yè)生產(chǎn)部署需求。YOLOv4-Tiny 算法是輕量級檢測算法的代表之一，參數(shù)量僅為YOLOv4 算法的1/10，檢測速度滿足實時性需求，但結(jié)構(gòu)簡單，無法滿足檢測精度要求。

表3 主流算法與本文算法的對比Table 3 Comparison between mainstream algorithm and improved algorithm in this paper

由表3 還可知，本文算法的mAP 相較于YOLOv4-Tiny 算法高9.06 個百分點。將YOLOv4 原特征提取網(wǎng)絡(luò)CSPDarkNet53 替換為MobileNet 網(wǎng)絡(luò)后，檢測速度提升了15 frame/s，mAP 減少5.58 個百分點，原因是特征提取網(wǎng)絡(luò)層數(shù)減少，導(dǎo)致特征提取的效果下降，但模型計算量減小，檢測速度有所提高。與僅將YOLOv4 主干網(wǎng)絡(luò)替換為MobileNet 的算法對比，本文算法mAP 提升了7.88 個百分點，這充分說明ASFF 算法對PANet 網(wǎng)絡(luò)改進(jìn)的積極作用。在MobileNet 逆殘差塊中加入CoordAttention 模塊，在沒有增加較多模型體積的前提下，提高了模型的mAP，檢測速度僅降低3 frame/s。

通過對比實驗數(shù)據(jù)，本文算法在織物瑕疵檢測任務(wù)中相較于大型網(wǎng)絡(luò)檢測mAP 相近，檢測速度更快，模型體積更小。相較于輕量級網(wǎng)絡(luò)，本文算法瑕疵檢測能力更強(qiáng)，mAP 更高，更適用于織物瑕疵檢測任務(wù)。

3.3 消融實驗

為驗證ASFF 算法、CoordAttention 注意力模塊和Focal Loss 損失函數(shù)對模型性能的影響，以將主干網(wǎng)絡(luò)替換為MobileNet 的YOLOv4 算法作為基準(zhǔn)，對加入的模塊進(jìn)行消融實驗。實驗結(jié)果如表4 所示，其中“×”表示不加入，“√”表示加入。

表4 消融實驗結(jié)果Table 4 Results of ablation experiment

由表4 可知，在MobileNet 網(wǎng)絡(luò)的逆殘差結(jié)構(gòu)中插入CoordAttention 注意力模塊后，小目標(biāo)瑕疵的AP 分別提升了3.83、3.75、4.54 個百分點，緯縮、粗經(jīng)、軋痕三種缺陷的AP 也所提升，這說明加入CoordAttention 注意力模塊提高了MobileNet 的特征提取能力，可以捕獲更精確的位置信息與缺陷特征，對于小目標(biāo)瑕疵檢測效果較好。在此基礎(chǔ)上加入使用ASFF 網(wǎng)絡(luò)改進(jìn)的PANet，相較于原始的PANet，改進(jìn)后的PANet 在結(jié)頭、三絲、破洞等小目標(biāo)缺陷上的AP 分別提高了3.85、4.03、3.48 個百分點，表明相較于原始的PANet 網(wǎng)絡(luò)，使用ASFF 網(wǎng)絡(luò)改進(jìn)PANet 結(jié)構(gòu)，利用多尺度特征圖將模型訓(xùn)練學(xué)習(xí)到的權(quán)重進(jìn)行融合，能大幅提升對小目標(biāo)瑕疵的檢測能力。最后，加入Focal Loss 損失函數(shù)，能使算法整體mAP 和精度提高。

3.4 與原始YOLOv4 算法檢測效果對比

為驗證本文算法相較于原始YOLOv4 算法在織物瑕疵檢測任務(wù)中的優(yōu)勢，選取結(jié)頭、三絲、破洞圖片各一張，進(jìn)行檢測結(jié)果對比，YOLOv4 與本文算法檢測結(jié)果對比如圖6 所示。圖6 中6 組檢測效果圖中，左側(cè)為YOLOv4 檢測效果，右側(cè)為本文算法的檢測效果。從中可以看出，原始YOLOv4 算法在結(jié)頭、三絲等小目標(biāo)瑕疵檢測中存在漏檢情況，本文算法有效改善了漏檢情況，并且檢測置信度值得到了明顯提高。這充分說明CoordAttention 模塊對逆殘差結(jié)構(gòu)的改進(jìn)，增強(qiáng)了模型對于小目標(biāo)瑕疵的聚焦能力。ASFF 網(wǎng)絡(luò)對PANet 的改進(jìn)，充分融合與利用多尺度特征圖的信息，有效增強(qiáng)了對于小目標(biāo)瑕疵的檢測性能。同時，通過K-means++聚類算法聚類先驗框使模型檢測框更加適用于粗經(jīng)、軋痕等長寬比較大的瑕疵類型檢測。

圖6 YOLOv4 算法與本文算法檢測效果對比Fig.6 Comparison of detection effect between YOLOv4 algorithm and algorithm in this paper

4 結(jié)束語

本文提出一種基于多尺度特征自適應(yīng)融合的輕量化織物瑕疵檢測算法，通過在MobileNetv2 網(wǎng)絡(luò)的逆殘差塊中加入CoordAttention 注意力模塊，并使用該網(wǎng)絡(luò)作為YOLOv4 主干網(wǎng)絡(luò)，減少參數(shù)總量與計算量，增強(qiáng)網(wǎng)絡(luò)聚焦小目標(biāo)瑕疵特征能力。使用自適應(yīng)空間特征融合結(jié)構(gòu)改進(jìn)PANet 網(wǎng)絡(luò)，提高小目標(biāo)瑕疵檢測精度，采用K-means++算法獲得適合的候選框，并使用Focal Loss 函數(shù)優(yōu)化分類損失降低正、負(fù)樣本不平衡對檢測結(jié)果的影響。實驗結(jié)果表明，本文算法相較于原始YOLOv4 算法的平均精度均值提升了2.3 個百分點，幀率提高了12 frame/s，模型體積大幅減少。下一步將通過知識蒸餾和模型剪枝技術(shù)，在保證檢測精度的基礎(chǔ)上降低參數(shù)量和計算量，提高模型檢測速度，并針對瑕疵特征改進(jìn)模型，提高算法的檢測精度。