鄧 景，李成海，丁兆棟，杜光輝，陸 可

（安徽工業(yè)大學(xué)管理科學(xué)與工程學(xué)院，馬鞍山 243000）

0 引言

中國作為全球最大的紡織品生產(chǎn)、出口國，紡織業(yè)已經(jīng)成為我國一項(xiàng)重要的經(jīng)濟(jì)型支柱產(chǎn)業(yè)。受限于技術(shù)、成本等多方因素，紡織品生產(chǎn)過程中產(chǎn)生瑕疵是不可避免的。生產(chǎn)過程中的布匹瑕疵會(huì)使布匹的價(jià)格降低45%～65%［1］。因此，現(xiàn)代化的紡織工廠通常會(huì)安排一定數(shù)量的員工對(duì)紡織設(shè)備與紡織產(chǎn)品進(jìn)行定期、定點(diǎn)的監(jiān)測(cè)。然而，人工檢驗(yàn)存在錯(cuò)檢、漏檢、檢測(cè)準(zhǔn)確率隨時(shí)間下降和檢測(cè)標(biāo)準(zhǔn)不統(tǒng)一等問題，同時(shí)人工檢驗(yàn)的成本較高，不利于工廠的精益生產(chǎn)。

布匹瑕疵檢測(cè)作為目標(biāo)檢測(cè)問題的一種，許多研究人員提出了自動(dòng)化的布匹瑕疵檢測(cè)方法，來代替人工檢驗(yàn)［2］。傳統(tǒng)的布匹瑕疵檢測(cè)算法根據(jù)類型分為特征統(tǒng)計(jì)法、濾波法、圖像切割法和數(shù)據(jù)結(jié)構(gòu)法等。但這幾類方法各自存在不抗噪點(diǎn)、計(jì)算量較大、泛化、遷移能力較差等問題。隨著硬件水平的提高，深度學(xué)習(xí)逐漸進(jìn)入研究人員的視野，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)，也逐漸應(yīng)用于各個(gè)行業(yè)的檢測(cè)領(lǐng)域。

深度學(xué)習(xí)相較于傳統(tǒng)的目標(biāo)檢測(cè)算法，其優(yōu)勢(shì)在于可以自動(dòng)提取目標(biāo)圖像中的特征信息。從最初的R?CNN［3］、OverFeat［4］一出現(xiàn)便占據(jù)了目標(biāo)檢測(cè)的主流地位，到后來的Fast RCNN［5］、Faster RCNN［6］進(jìn)一步提升了檢測(cè)速度與精度；之后，SSD［7］以及現(xiàn)在的YOLO 系列實(shí)現(xiàn)了兩階段到單階段的革新。與兩階段算法相比，單階段算法不需要區(qū)域建議階段，可以生成目標(biāo)的真實(shí)坐標(biāo)和類別概率，以獲得最終檢測(cè)結(jié)果。因此，單階段算法通常具有更快的速度。YOLO系列是2015 年提出的算法，此算法的最大優(yōu)勢(shì)在于不需要提前篩選候選區(qū)域，而是直接檢測(cè)整個(gè)圖片，獲取某個(gè)類別的置信度與位置信息，所以檢測(cè)速度更快。在過去幾年中，研究人員提出了一些YOLO 的后續(xù)版本，如YOLOv2、YOLOv3、YOLOv4。而在2020 年被提出的YO?LOv5，其在模型大小、檢測(cè)速度與精度上都有了較大的優(yōu)化。由此，本文提出了基于YOLOv5算法的布匹瑕疵檢測(cè)系統(tǒng)。

本文的貢獻(xiàn)如下：

（1）將YOLOv5 算法應(yīng)用于布匹瑕疵檢測(cè)領(lǐng)域，其檢測(cè)速度與準(zhǔn)確度均滿足實(shí)際工業(yè)生產(chǎn)需要。

（2）提供了一套來自實(shí)際工業(yè)生產(chǎn)流水線的布匹瑕疵數(shù)據(jù)集，為布匹瑕疵研究領(lǐng)域提供了一些數(shù)據(jù)支持。

1 相關(guān)工作研究

為了解決自動(dòng)化布匹瑕疵檢測(cè)的問題，研究人員提出了許多系統(tǒng)和算法用于解決自動(dòng)化布匹瑕疵檢測(cè)問題。Tong 等［8］利用復(fù)合差分進(jìn)化優(yōu)化了幾個(gè)Gabor濾波器，成功地從布匹圖像中分割出瑕疵。Mak等［9］還通過遺傳算法優(yōu)化了Gabor 濾波器。然而，優(yōu)化的過濾器僅適用于某些類型的布匹。Kumar 等［10］提出了具有不同尺度和方向的Gabor 濾波器組，Gabor 濾波器組覆蓋多分辨率，可以通過融合Gabor濾波的輸出來檢測(cè)缺陷的特征。盡管Gabor濾波器組可以處理不同類型的布匹，但簡單地融合濾波器輸出可能會(huì)加劇正常布匹圖像中的噪聲。傳統(tǒng)目標(biāo)檢測(cè)算法盡管取得了一定的成果，但仍有相當(dāng)?shù)膬?yōu)化空間。隨著深度學(xué)習(xí)的廣泛應(yīng)用，研究人員開始嘗試?yán)蒙疃葘W(xué)習(xí)算法解決布匹瑕疵的檢測(cè)問題。

目前主流的布匹瑕疵檢測(cè)所采用的深度學(xué)習(xí)算法均為使用卷積神經(jīng)網(wǎng)絡(luò)提取特征并分類，例如，文獻(xiàn)［11］將傳統(tǒng)目標(biāo)檢測(cè)算法中的圖像增強(qiáng)技術(shù)與卷積神經(jīng)網(wǎng)絡(luò)算法相結(jié)合，對(duì)圖像樣本進(jìn)行圖像增強(qiáng)后進(jìn)行模型訓(xùn)練，實(shí)現(xiàn)了對(duì)部分類型布匹瑕疵的有效檢測(cè)，但輸出的樣本類型較為有限；文獻(xiàn)［12］提出了基于改進(jìn)的CNN 的素色布匹瑕疵檢測(cè)算法，通過設(shè)計(jì)淺層的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，降低了網(wǎng)絡(luò)的運(yùn)算規(guī)模，同時(shí)采用了雙模型的訓(xùn)練方式，提高了模型的訓(xùn)練效果，在單色布匹瑕疵分類方面具有良好的性能。但仍然存在對(duì)復(fù)雜瑕疵樣本不敏感的問題。因此，本文將重點(diǎn)關(guān)注深度學(xué)習(xí)中的YOLOv5算法。

文獻(xiàn)［13］介紹了YOLO 在目標(biāo)檢測(cè)場(chǎng)景中的應(yīng)用。YOLO定義為單個(gè)神經(jīng)網(wǎng)絡(luò)，可以預(yù)測(cè)多個(gè)錨框和錨框的類別概率。與其他傳統(tǒng)深度學(xué)習(xí)算法，如Faster R?CNN（regions with CNN）［14］相比，其背景錯(cuò)誤不足一半。當(dāng)然，也有一些缺點(diǎn)：第一，它雖然可以更快地檢測(cè)圖像，但缺乏精度；第二，模型從給定的數(shù)據(jù)中學(xué)習(xí)預(yù)測(cè)邊界框，因此，當(dāng)一般圖像或具有不同縱橫比的圖像或圖像的配置改變時(shí)，預(yù)測(cè)將變得困難。

為了克服如本地化中的錯(cuò)誤分析、相對(duì)較低的召回率等問題，文獻(xiàn)［15］提出了另一個(gè)模型—YOLO9000（YOLOv2），引入了批量歸一化、帶錨框的高分辨率卷積、維度聚類、直接位置預(yù)測(cè)、多尺度訓(xùn)練和細(xì)粒度特征，這使YOLOv2相比于YOLO 性能更加優(yōu)異。文獻(xiàn)［16］提出了另一個(gè)優(yōu)于YOLOv2 的YOLO 模型。與傳統(tǒng)方法相比，YOLOv3 的精度是傳統(tǒng)網(wǎng)絡(luò)的三倍。文獻(xiàn)［17］提出了其后的版本，這個(gè)新版本提高了目標(biāo)檢測(cè)的速度，還將YOLOv3平均精度和每秒幀數(shù)分別提高10%和12%。作者表示，YOLOv4適用于單GPU 訓(xùn)練，這是通過引入新的數(shù)據(jù)增強(qiáng)方法、優(yōu)化超參數(shù)和遺傳算法實(shí)現(xiàn)的。文獻(xiàn)［18］采用Darknet53+CSP 作為主干網(wǎng)絡(luò)的YOLOv4 模型，提升了模型對(duì)瑕疵圖像的學(xué)習(xí)能力，在Neck 層采用SPP 模塊和FPN+PAN 結(jié)構(gòu)，進(jìn)一步提取深層網(wǎng)絡(luò)信息。該方法對(duì)布匹瑕疵的檢測(cè)準(zhǔn)確率和檢測(cè)速度均較好，與其他同類深度學(xué)習(xí)算法相比體現(xiàn)出了一定的優(yōu)勢(shì)，但仍然存在網(wǎng)絡(luò)模型較大等問題。在YOLOv4出版后的幾個(gè)月內(nèi)，Ultralytics LLC團(tuán)隊(duì)推出了YOLOv5［19］。

在將傳統(tǒng)的目標(biāo)檢測(cè)算法應(yīng)用到工業(yè)場(chǎng)景的過程中，由于其參數(shù)密度大、網(wǎng)絡(luò)模型復(fù)雜、難以嵌入低配設(shè)備等問題，導(dǎo)致在應(yīng)用過程中因?qū)τ布阅芤筮^高，成本過大而無法投入實(shí)際生產(chǎn)。為了解決以上問題，首先在作業(yè)現(xiàn)場(chǎng)采集了多種復(fù)雜場(chǎng)景的實(shí)際應(yīng)用數(shù)據(jù)，將這些數(shù)據(jù)輸入模型進(jìn)行學(xué)習(xí)以適應(yīng)作業(yè)現(xiàn)場(chǎng)環(huán)境的復(fù)雜多樣性。其次，為了解決現(xiàn)場(chǎng)硬件配置的限制導(dǎo)致的大規(guī)模目標(biāo)檢測(cè)算法難以嵌入的問題，本文采用了YOLOv5算法。由于其輕量級(jí)的網(wǎng)絡(luò)結(jié)構(gòu)可以部署在配置相對(duì)較低的設(shè)備上，同時(shí)YOLOv5可以保持相對(duì)較高的準(zhǔn)確度。實(shí)驗(yàn)結(jié)果表明，YOLOv5算法在適應(yīng)不同復(fù)雜度場(chǎng)景的情況下，魯棒性和準(zhǔn)確度均顯著優(yōu)異。

2 模型訓(xùn)練及實(shí)驗(yàn)

2.1 算法原理

YOLO目標(biāo)檢測(cè)算法的核心在于小尺寸模型與快速計(jì)算。YOLO的結(jié)構(gòu)原理是將全局圖像作為神經(jīng)網(wǎng)絡(luò)的輸入，最終在輸出層直接輸出回歸目標(biāo)框的類別和位置信息［20］。值得指出的是，YOLO 具有很強(qiáng)的泛化能力，因?yàn)閅OLO 可以研究相當(dāng)廣義的特征，以轉(zhuǎn)移到其他文件［21］。此外，YOLO 在訓(xùn)練和測(cè)試過程中使用全局圖像，可以對(duì)全局信息進(jìn)行編碼，并減少檢查背景作為目標(biāo)的錯(cuò)誤。本文使用YOLOv5的深度學(xué)習(xí)方法檢測(cè)毛巾中的布匹瑕疵，并開發(fā)了基于YOLOv5的自動(dòng)布匹瑕疵檢測(cè)系統(tǒng)來檢測(cè)毛巾瑕疵。

YOLOv5 是在之前版本的YOLO 基礎(chǔ)上形成的。在保持運(yùn)行速度的前提下，YOLOv5不僅獲得了更好的預(yù)測(cè)精度，同時(shí)對(duì)小目標(biāo)的檢測(cè)能力更強(qiáng)［22］。因此，它可以用于工業(yè)缺陷的實(shí)時(shí)檢測(cè)。而且YOLOv5的權(quán)重文件，其大小比上一代的YOLOv4小90%［23］。YOLOv5 結(jié)合CNN，利用特征金字塔和非最大抑制算法預(yù)測(cè)多標(biāo)簽的邊界和位置。邊界盒由獨(dú)立的邏輯回歸分類器進(jìn)行分類，而不是軟最大值分類［24］。在檢測(cè)布匹瑕疵的情況下，準(zhǔn)確性和效率非常重要，YOLOv5 架構(gòu)有助于提高布匹瑕疵的效果。該架構(gòu)由四種不同的模型組成，如YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5。四種架構(gòu)的主要區(qū)別在于特征提取模塊和網(wǎng)絡(luò)的卷積核；另一個(gè)差異是架構(gòu)，模型的大小和模型參數(shù)的數(shù)量是不同的。例如，本文使用YOLOv5s，則其模型文件的大小僅為13.7 MB。

2.2 模型訓(xùn)練

在本節(jié)中，我們將介紹模型的訓(xùn)練和測(cè)試過程。模型的訓(xùn)練和測(cè)試流程如圖1所示。

圖1 模型的訓(xùn)練和測(cè)試流程圖

2.2.1 自建數(shù)據(jù)集與數(shù)據(jù)標(biāo)注

本項(xiàng)目落地于江蘇省某紡織企業(yè)，數(shù)據(jù)的采集全部取自真實(shí)工廠的流水線上，圖2是采集的數(shù)據(jù)集中的常見瑕疵。首先，選用2D 單目彩色相機(jī)以及適合現(xiàn)場(chǎng)條件的光源組成CCD 組，對(duì)生產(chǎn)線上的布匹樣本進(jìn)行大量采集。然而，當(dāng)前的數(shù)據(jù)集數(shù)量過于龐大且種類繁多，并不適合直接進(jìn)行人工數(shù)據(jù)標(biāo)注，需要對(duì)數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行篩選和聚類預(yù)處理。預(yù)處理完成后，使用LabelImg 的數(shù)據(jù)標(biāo)注工具進(jìn)行人工數(shù)據(jù)標(biāo)注［25?26］。對(duì)處理完畢的數(shù)據(jù)進(jìn)行成功標(biāo)注后，輸出文本文件和類文件。為了提高速度和準(zhǔn)確性，我們對(duì)毛巾的正反面分別建立了模型，只將其分為兩類：OK和NG。文本文件包含5個(gè)十進(jìn)制數(shù)字，第一個(gè)數(shù)字表示邊界框的類別，第二個(gè)是中心x，然后是中心y，最后是寬度和高度。中心x和中心y被描述為邊界框的中心點(diǎn)［27］。通過將數(shù)字除以圖像的寬度和高度，來對(duì)數(shù)字進(jìn)行歸一化，使其值介于0 和1 之間。文本文件中的行數(shù)取決于檢測(cè)到的對(duì)象數(shù)。標(biāo)注的標(biāo)簽用于訓(xùn)練和測(cè)試數(shù)據(jù)集。表1顯示了每個(gè)類別的訓(xùn)練和測(cè)試拍攝的圖像數(shù)量。表2顯示本文項(xiàng)目的類，即類文件。

圖2 數(shù)據(jù)集中的瑕疵

表1 訓(xùn)練與測(cè)試樣本數(shù)

表2 類文件名

2.2.2 使用YOLOv5訓(xùn)練模型

在使用YOLOv5訓(xùn)練模型之前，首先要滿足訓(xùn)練YOLOv5 模型的條件，表3 為本項(xiàng)目所使用的硬件配置條件。

表3 硬件配置表

然后配置YOLOv5 環(huán)境、數(shù)據(jù)和目錄結(jié)構(gòu)，重點(diǎn)是設(shè)置YAML配置文件。訓(xùn)練YOLOv5模型需要兩個(gè)YAML 文件。第一個(gè)YAML 指出測(cè)試數(shù)據(jù)的位置、訓(xùn)練數(shù)據(jù)的位置和類的數(shù)量，即檢測(cè)對(duì)象的類型與該類型所對(duì)應(yīng)的名稱；第二個(gè)YAML 文件包括錨框、參數(shù)、YOLOv5 主干和YOLOv5 頭部。為了訓(xùn)練YOLOv5 模型，需要執(zhí)行train.py 命令。此時(shí)，可以指定超參數(shù)，如輸出圖像大小、epoch 數(shù)和batch 大小。完成訓(xùn)練過程后，YOLOv5的權(quán)重文件將存儲(chǔ)在子文件夾中?？梢酝ㄟ^使用測(cè)試的detect.py 命令來對(duì)訓(xùn)練完畢模型進(jìn)行測(cè)試。圖3所示為自測(cè)試數(shù)據(jù)集的測(cè)試結(jié)果。

圖3 測(cè)試集結(jié)果

2.3 實(shí)驗(yàn)結(jié)果

在目標(biāo)檢測(cè)領(lǐng)域，對(duì)訓(xùn)練模型的精確度（P）、召回率（R）和平均精度（mAP）進(jìn)行了評(píng)估［28］。作為性能和可靠性的通用規(guī)范，本文也使用上述評(píng)估指標(biāo)來評(píng)估缺陷檢測(cè)模型的性能。圖4所示為mAP、精確度和召回率。

圖4 mAP曲線

TP=正確識(shí)別的毛巾OK 和NG 部分的實(shí)例數(shù)。

FP=毛巾OK和NG部分的錯(cuò)誤識(shí)別實(shí)例數(shù)。

FN=未識(shí)別的OK和NG部件的數(shù)量。

精確度（P）是檢測(cè)到的正確對(duì)象數(shù)量與檢測(cè)到的對(duì)象數(shù)量之和之間的比率，是檢測(cè)模型精確度的度量。其計(jì)算公式如下：

召回率是檢測(cè)到的正確對(duì)象的數(shù)量與手動(dòng)標(biāo)記的真實(shí)對(duì)象的數(shù)量之和之間的比率，并且是檢測(cè)模型的整個(gè)錯(cuò)誤率的度量。其計(jì)算公式如下：

圖5 中的準(zhǔn)確率-召回率（PR）曲線是根據(jù)相應(yīng)的準(zhǔn)確率和召回率繪制而成。平均準(zhǔn)確度（AP）是精確召回率（PR）曲線下的面積值，通過對(duì)精確召回函數(shù)積分來獲得。

圖5 PR曲線

mAP是多個(gè)測(cè)試集上測(cè)試的正確目標(biāo)的平均值，通過平均精度（AP）獲得。mAP的計(jì)算公式如下：

探索性數(shù)據(jù)分析最好借助相關(guān)圖進(jìn)行處理。整個(gè)數(shù)據(jù)集的關(guān)系可以一目了然地可視化。圖6顯示了置信度與準(zhǔn)確度的P曲線，圖7顯示了置信度與召回率的R曲線，圖8 顯示了置信度與F1曲線。

圖6 P曲線

圖7 R曲線

圖8 F1曲線

對(duì)于檢測(cè)算法模型來說，檢測(cè)速度是衡量算法效果的一個(gè)重要指標(biāo)。本文建立的布匹瑕疵檢測(cè)系統(tǒng)是實(shí)現(xiàn)對(duì)目標(biāo)的實(shí)時(shí)檢測(cè)，在應(yīng)用于實(shí)際工業(yè)場(chǎng)景的情況下，其檢測(cè)速度為每秒10幀，已充分滿足實(shí)際需求。

3 布匹瑕疵檢測(cè)系統(tǒng)

3.1 系統(tǒng)框架

建立一套自動(dòng)化布匹瑕疵檢測(cè)系統(tǒng)的難點(diǎn)在于，除了實(shí)時(shí)檢測(cè)對(duì)深度學(xué)習(xí)算法的性能有一定的要求以外，對(duì)于本系統(tǒng)內(nèi)各部分的耦合度、魯棒性與上下游工位之間的通訊穩(wěn)定性均有一定的要求。本文設(shè)計(jì)了基于深度學(xué)習(xí)的布匹瑕疵檢測(cè)系統(tǒng)，其物理圖如圖9—圖11 所示。該系統(tǒng)由三部分組成：控制子系統(tǒng)、機(jī)器視覺子系統(tǒng)與PLC電氣控制系統(tǒng)，實(shí)現(xiàn)了YOLOv5算法對(duì)布匹瑕疵的實(shí)時(shí)檢測(cè)。

圖9 物理左視圖

圖10 物理右視圖

圖11 物理正視圖

（1）控制系統(tǒng)由控制計(jì)算機(jī)來擔(dān)任。負(fù)責(zé)傳遞來自PLC 系統(tǒng)的工作電信號(hào)，確定物料的各個(gè)工作位點(diǎn)；收集的數(shù)據(jù)傳輸?shù)娇刂朴?jì)算機(jī)，由YOLOv5處理，以快速檢測(cè)和定位布匹瑕疵。

（2）PLC 電氣控制系統(tǒng)由PLC、機(jī)械吸盤和紅外激光傳感器組成。紅外激光傳感器在物料到位后受遮擋，發(fā)送電信號(hào)至PLC 傳達(dá)到位信號(hào)；機(jī)械吸盤由PLC 控制拖拽物料至各個(gè)工作位點(diǎn)；PLC 負(fù)責(zé)接收來自傳感器與控制計(jì)算機(jī)的電信號(hào)，控制機(jī)械吸盤的升降與移動(dòng)。

（3）機(jī)器視覺子系統(tǒng)由三部分組成：圖像采集、標(biāo)簽檢測(cè)和數(shù)據(jù)處理。圖像采集由雙CCD攝像機(jī)完成。當(dāng)機(jī)械吸盤拖拽指定編號(hào)物料至指定工作位時(shí)，上CCD 攝像機(jī)和下CCD 攝像機(jī)以不同角度同時(shí)采集物料的正反面圖像。標(biāo)簽檢測(cè)由計(jì)算機(jī)完成，將采集的多標(biāo)簽圖像通過相機(jī)數(shù)據(jù)傳輸接口傳輸?shù)接?jì)算機(jī)以處理和分析圖像。數(shù)據(jù)處理則是通過在YOLOv5模型參數(shù)中預(yù)設(shè)的置信度閾值，結(jié)合物料的正反面處理結(jié)果，得出OK 或NG 并傳回相應(yīng)的電信號(hào)至PLC程序，同時(shí)在上位機(jī)中顯示。

基于YOLOv5的自動(dòng)布匹瑕疵檢測(cè)系統(tǒng)的物理結(jié)構(gòu)示意圖如圖12所示。

圖12 物理結(jié)構(gòu)示意圖

3.2 系統(tǒng)優(yōu)化

系統(tǒng)在項(xiàng)目實(shí)施過程中，受限于諸多客觀因素，導(dǎo)致布匹瑕疵檢測(cè)效果達(dá)不到預(yù)期的目標(biāo)。因此，本文針對(duì)項(xiàng)目過程中出現(xiàn)的以下問題，對(duì)系統(tǒng)的若干部分進(jìn)行了優(yōu)化。

（1）在模型訓(xùn)練的數(shù)據(jù)收集階段，現(xiàn)場(chǎng)采集的毛巾樣本圖像種類、數(shù)量龐大，人工分類效率過低，不便于進(jìn)行數(shù)據(jù)標(biāo)注的工作。由此，在數(shù)據(jù)的預(yù)處理階段，使用了聚類的算法，自動(dòng)對(duì)數(shù)據(jù)進(jìn)行篩選、分類和去重。大大減少了準(zhǔn)備工作階段的時(shí)間消耗。

（2）由于工作現(xiàn)場(chǎng)環(huán)境的客觀因素影響，在圖像采集過程中，CCD 攝相機(jī)時(shí)常拍入毛巾樣本以外的干擾因素，例如：圖像內(nèi)的機(jī)械結(jié)構(gòu)和光源的倒影。由此，本文對(duì)YOLOv5輸出端的圖像進(jìn)行了預(yù)處理，根據(jù)待檢測(cè)毛巾的最大尺寸設(shè)計(jì)了最大預(yù)處理尺寸的錨框。加入該限值后，消除了上述干擾因素的影響，檢測(cè)效果明顯提高。圖13表示最大預(yù)處理大小的錨框。

圖13 篩選錨框

4 結(jié)語

本文提出了一種基于YOLOv5算法的自動(dòng)化布匹瑕疵檢測(cè)系統(tǒng)，并將其成功應(yīng)用到實(shí)際的工業(yè)生產(chǎn)當(dāng)中。相對(duì)于傳統(tǒng)的人工檢測(cè)，通過應(yīng)用YOLOv5算法，取得了良好的檢測(cè)效果，有效地降低了生產(chǎn)成本，顯著提高了紡織行業(yè)的經(jīng)濟(jì)效益。由于YOLOv5的權(quán)重文件小且運(yùn)行速度快，使得系統(tǒng)在硬件配置條件有限的前提下，仍然可以成功檢測(cè)出流水線上的布匹瑕疵，已充分滿足實(shí)際生產(chǎn)中的檢測(cè)需求。

此后的工作將進(jìn)一步關(guān)注更多復(fù)雜場(chǎng)景的布匹瑕疵，為自建數(shù)據(jù)集加入更多的復(fù)雜布匹瑕疵類型，進(jìn)一步擴(kuò)展模型可以檢測(cè)的瑕疵類別。同時(shí)繼續(xù)對(duì)現(xiàn)有的YOLOv5 算法進(jìn)行改進(jìn)，提升算法在實(shí)際應(yīng)用中的效果，同時(shí)對(duì)系統(tǒng)可以輸出的內(nèi)容進(jìn)行進(jìn)一步的擴(kuò)展，不僅僅是輸出布匹的良品與瑕疵，更進(jìn)一步輸出瑕疵的類別與位置。