摘要
针对棉纺缺陷检测中未知缺陷识别困难、模型泛化能力不足和检测结果可解释性差等问题,提出一种融合对比学习与双重特征检索的缺陷检测方法。首先构建动态对比学习模块,引入基于正负样本监督的对比损失函数,自适应调节特征相似性度量,显著提升模型对细微缺陷的区分能力;然后提出双路径特征库构建策略,结合改进的贪心算法与KNN(k-nearest neighbors)聚类算法(又称K近邻算法),实现对正常纹理与缺陷特征的精准建模;最后设计基于双重检索策略的可解释检测机制,通过联合分析测试样本与正常/缺陷特征库的相似性关系,实现已知与未知缺陷的统一检测。实验结果表明,该方法在自建棉纺工业数据集上实现了最佳检测性能,能在保持高精度的同时显著提高对未知缺陷的检出率,并支持特征库的增量更新,无须重新训练即可快速适应新增缺陷类别,为工业质检提供了一种高效、可解释且易维护的解决方案。
出处
《化纤与纺织技术》
2025年第11期48-50,共3页
Chemical Fiber & Textile Technology
