布匹缺陷检测技术的革新：二十项专利解析

在阅读过程中我发现在撰写专利时，通常需要遵循特定的格式和结构，以确保专利申请的清晰性和合法性。它们一般包括技术领域（便于我们了解使用哪些领域的技术使我们能够快速筛选是否是我们需要的专利）、背景技术（往往标注了市面上存在哪些问题亟待解决）、发明内容（重点阐述自己发明的创新性和内核）、附图说明（较为清晰的将抽象事物具体化）、具体实施方式以及权利要求等部分。

在阅读中传统的布料识别方法存在诸多问题。在2021年及以前的专利中，还是使用传统的布料识别方式，这些传统的检测手段大多依赖于基础的图像处理技术，例如设定阈值和比较布料的灰度差，谈不上什么智能。而且这种方法虽然在一定程度上能够实现布料的初步分类，但精度往往不高，且容易受到光照、颜色深浅等因素的影响。此外，有些传统的布料检测方法还需要使用摄像头或红外扫描设备进行辅助，但这些设备的操作通常较为复杂，需要一定的技术水平和经验，因此也离不开人力操作。这不仅增加了人力成本，并且没有改变识别结果的人工主观性影响。更为严重的是，长时间进行这种需要细致观察的布料识别工作，对工人的眼睛和身体健康都会造成不小的损伤。因此，传统的布料识别方法急需改进和创新，以提高识别的精度和效率，降低人力成本和对工人的伤害。近年来，随着人工智能和机器学习技术的发展，这些问题有望得到更好的解决。

YOLO识别的引入，是解决传统布料缺陷识别的机会。首先，其具备实时性，能够快速检测布匹上的缺陷，提高生产效率。（在一些专利中对布料的缺陷识别别不存在实时性使得重复识别的现象较为严重），该算法对光照、角度和背景变化具有较强的鲁棒性，较为适应各种复杂工业环境，减少误检和漏检。但是原生的yolo识别算法仍然存在很多问题，我详细阅读了《基于改进的YOLOv5s的小目标布匹瑕疵检测方法》《一种基于改进的Yolov4网络的布匹瑕疵检测方法》

两篇专利发现在数据量较小的时候Yolo网络不能很好的收敛，并且Yolo自带的Mosaic数据增强无法解决这一问题；第二，很多的布匹瑕疵是非常小的目标，而yolo的Anchors是基于COCO数据集定义的，无法很好的预测这些小目标；第三，网络在学习时对图像的每个像素都是采用同样的学习权重，无法对有价值的像素信息给予重视；第四，Yolo的Loss函数对纵横比的定义很模糊，并且对于BBox样本不平衡问题没有有效的解决方法。为了解决这些问题，尤其是解决小目标的布匹瑕疵两篇论文分别提出了自己的解决方法第一篇通过引入CA注意力机制并对小目标布料数据缺陷进行聚类。第二篇通过添加CBAM注意力机制，对Yolov4的网络构架进行了针对布匹瑕疵检测的专用改进，使得特征网络能够通过特征输出层104x104专门对布匹上的极小瑕疵进行识别检测。

  现在的专利也不仅仅是单一技术的实现，传统的布料缺陷识别技术依然发挥重要做用，甚至与智能化识别相结合。这些前沿的研究开始将早些年的部分经典技术与最新的深度学习算法相结合，以进一步提升检测的准确性。例如，升级图像处理技术，对生产环境对系统的影响进行排除的技术，通过设置显著性区域，模型更精准地聚焦于图像中的关键信息，从而提高检测的效率和精度。随着光谱仪等先进设备的引入，目标检测技术得以在更多维度上捕捉物体的特征，从而实现对目标的更精细识别。同时，5G通讯技术的快速发展也为目标检测带来了新的可能。借助5G的高速传输能力，大量数据可以迅速上传至云端进行高效处理，这不仅大大缩短了处理时间，还充分利用了云端强大的计算资源。甚至可以结合强化学习的惩罚机制。

  最后我总结一下阅读专利的感受，很多专利其实并没有什么高大上的技术革新，仅仅只是对现有技术进行改进，或是仅仅只克服目前存在的单一问题，或仅仅只为自己的一个产品进行专利申请，内核技术仍然无法摆托已有技术，且很多专利的申请时间往往比出版时间晚个两三年，我认为我们要对布料检测的技术进行革新首先要解决的是yolo对小目标的检测问题，多种不同种类的布料和布料缺陷采用不同的识别算法来提高缺陷识别精度（参考《一种布匹断纬瑕疵检测方法》，部分布料缺陷，如该文提到的断纬瑕疵与正常的布料的区分度很小），再参考我们曾经的大创项目“基于昇腾计算平台的智能布料检测系统”利用5G通讯技术上传实时图片利用云端资源进行实时处理也是一个不错的方向。我认为多技术的结合是布匹检测技术革新的可行之路。