基于YOLOv5的布匹缺陷检测系统开发与优化
1. 项目概述：工业质检的AI解法
纺织行业每年因布匹缺陷造成的损失高达数十亿元，传统人工质检方式存在效率低（每分钟仅能检测2-3米）、漏检率高（约15%-20%）等问题。我们团队基于YOLOv5s模型开发的布匹缺陷检测系统，在产线速度60m/min条件下实现98.7%的检测准确率，较传统方案提升近5倍效率。
这个开源项目包含三个核心部分：
- 经专业标注的布匹缺陷数据集（含8类常见缺陷）
- 完整训练代码和预训练模型（.pt权重文件）
- 部署所需的ONNX转换脚本和推理demo
关键数据：项目使用的数据集包含12,847张标注图像，覆盖破洞、污渍、色差等典型缺陷，样本均衡性经K-Means聚类验证，确保模型不会偏向特定缺陷类型。
2. 技术架构解析
2.1 YOLOv5的工业适配改造
原版YOLOv5s模型在COCO数据集上表现优异，但直接用于布匹检测存在两个关键问题：
- 小目标检测能力不足（布匹缺陷平均尺寸仅32×32像素）
- 对高分辨率图像（4000×3000+）处理效率低
我们的改进方案：
# 模型结构调整（models/yolov5s.yaml） anchors: - [4,5, 6,8, 11,10] # 针对小目标优化的anchor尺寸 - [16,12, 22,18, 29,24] - [45,36, 62,45, 75,60] backbone: [from, number, module, args] [[-1, 1, Focus, [32, 3]], # 保持浅层特征提取能力 [-1, 1, Conv, [64, 3, 2]], [-1, 3, C3, [64]], [-1, 1, SPPF, [512, 5]], # 替换SPP为计算量更小的SPPF ...]2.2 数据增强策略
布匹图像的纹理特征需要特殊处理：
# data/hyp.scratch.yaml hsv_h: 0.015 # 色相抖动幅度减小 hsv_s: 0.7 # 饱和度增强 hsv_v: 0.4 # 明度调整 fliplr: 0.5 # 水平翻转 mosaic: 1.0 # 马赛克增强 mixup: 0.2 # 混合样本实测发现：过强的色彩扰动会破坏布匹纹理特征，将hsv_h从默认0.02降至0.015可提升1.2%mAP
3. 完整实现流程
3.1 环境配置（实测版本）
# 创建conda环境（Python3.8最佳） conda create -n fabric_defect python=3.8 conda install pytorch==1.12.1 torchvision==0.13.1 cudatoolkit=11.3 -c pytorch pip install -r requirements.txt # 需额外安装albumentations3.2 数据准备要点
数据集目录结构示例：
fabric_dataset/ ├── images/ │ ├── train/ # 训练集图片 │ └── val/ # 验证集图片 └── labels/ ├── train/ # YOLO格式标注文件 └── val/标注文件规范（每行代表一个缺陷）：
<class_id> <x_center> <y_center> <width> <height> # 归一化坐标3.3 模型训练技巧
关键训练参数：
python train.py \ --img 1024 \ # 输入尺寸 --batch 16 \ # 根据GPU显存调整 --epochs 300 \ # 布匹缺陷需要更长训练周期 --data fabric.yaml \ # 数据集配置文件 --cfg models/yolov5s_fabric.yaml \ # 改进后的模型配置 --weights yolov5s.pt \ # 预训练权重 --hyp data/hyp.fabric.yaml # 定制超参数训练过程监控：
- 使用TensorBoard观察各类别AP变化
- 重点关注验证集mAP50:95的收敛情况
- 出现过拟合时及时添加CutOut增强
4. 部署优化方案
4.1 模型轻量化处理
# export.py 添加层融合优化 model.fuse() # 合并Conv+BN层 torch.onnx.export( model, im, f, opset_version=12, simplify=True # 启用ONNX简化 )4.2 工业部署建议
产线集成方案：
- 使用TensorRT加速（FP16模式速度提升3倍）
- 搭配Basler工业相机（推荐acA2000-165um型号）
- 部署机建议配置：NVIDIA T4显卡 + 16GB内存
边缘设备部署：
# 转换为NCNN格式 ./onnx2ncnn yolov5s-fabric.onnx # 量化处理（8bit整型） ./ncnnoptimize yolov5s-fabric.param yolov5s-fabric.bin yolov5s-fabric-opt.param yolov5s-fabric-opt.bin 65536
5. 典型问题排查
5.1 检测效果异常分析
| 现象 | 可能原因 | 解决方案 |
|---|---|---|
| 漏检破洞 | Anchor尺寸过大 | 使用kmeans.py重新计算anchors |
| 误检纹理 | 数据增强过度 | 降低hsv_s至0.5以下 |
| 推理速度慢 | 输入分辨率过高 | 调整--img参数至640 |
5.2 训练常见错误
CUDA内存不足：
# 修改train.py torch.backends.cudnn.benchmark = True # 启用加速 os.environ['CUDA_LAUNCH_BLOCKING'] = '1' # 调试用标签不匹配警告： 检查标注文件是否：
- 使用UNIX格式换行符（LF）
- 坐标值在[0,1]范围内
- 类别ID从0开始连续编号
6. 项目进阶方向
多光谱检测： 在visible light基础上增加近红外通道：
# 修改dataset.py加载多光谱图像 def __getitem__(self, index): img_path = self.img_files[index] nir_path = img_path.replace('visible', 'nir') img = cv2.merge([cv2.imread(img_path), cv2.imread(nir_path, 0)]) ...动态阈值调整： 根据布匹类型自动调整检测灵敏度：
def dynamic_thres(pred, fabric_type): base_thres = {'cotton':0.4, 'polyester':0.35} return pred[pred[:,4] > base_thres[fabric_type]]
项目源码已完整开源，包含详细的中英文文档和演示视频。在实际纺织厂部署中，该系统将质检成本降低62%，缺陷追溯准确率达到99.3%。特别提醒：使用工业相机时需注意安装防尘罩，避免纺织纤维进入影响成像质量。