DTEmpower纺织品表面缺陷目标检测（目标检测）
背景
在现代化纺织生产中，布匹表面缺陷的检测是质量控制的关键环节。传统的人工肉眼检测方式效率低、易疲劳，且难以满足高速生产线对实时性与一致性的要求。计算机视觉与目标检测技术的引入，为这一场景提供了高效的自动化解决方案。
本案例以 TILDA-400 布匹缺陷公开数据集为基础，构建纺织品表面缺陷目标检测的实践项目。TILDA-400 数据集涵盖多种典型纺织材料与纹理类型，包含油污、孔洞、织造异常等多类常见缺陷，是工业质检领域具有代表性的基准数据之一。
纺织品表面缺陷示例：孔洞、油污、织造异常和异物污染
案例数据集
本案例包含训练图像、训练标注、预测图像和预测数据：
操作流程
案例功能点概述：
通过本案例操作，用户将学习和了解如何在 DTEmpower 中完成纺织品表面缺陷目标检测建模的完整流程，包括：
- 了解如何在项目中导入 csv 格式的结构化数据和图像数据，为后续目标检测模型训练准备数据基础；
- 学习如何配置结构化数据中的图像文件路径列，使平台能够正确读取并展示带标注的布匹缺陷图片；
- 学习如何使用目标检测功能训练纺织品表面缺陷检测模型，并根据训练需求调整微调层数、训练参数和 GPU 加速等配置；
- 了解如何查看训练过程和模型结果，并对比不同参数下模型效果；
- 了解如何将训练效果满足要求的目标检测模型进行部署；
- 学习如何使用已部署的模型对新的布匹图像数据进行缺陷预测，识别图像中的污渍、孔洞、织造异常等表面缺陷。
操作步骤
新建项目
在平台上新建项目。
纺织品表面缺陷目标检测：新建项目
导入数据
进入项目后，导入结构化数据。
纺织品表面缺陷目标检测：导入数据
纺织品表面缺陷目标检测：导入数据
结构化数据中包含图像文件路径、缺陷位置及类别。
纺织品表面缺陷目标检测：导入数据
导入图像数据。
纺织品表面缺陷目标检测：导入数据
纺织品表面缺陷目标检测：导入数据
图像数据文件夹下包含所有图像文件。
纺织品表面缺陷目标检测：导入数据
需关联结构化数据与图像数据。点击结构化数据，点击右方【查看】。
纺织品表面缺陷目标检测：导入数据
在设置界面按图示配置关联关系。点击【保存】。
纺织品表面缺陷目标检测：导入数据
模型训练
回到「流程」，点击结构化数据，点击【目标检测】。
纺织品表面缺陷目标检测：模型训练
选好「目标列名」和「图像文件夹」，点击【确认】。
纺织品表面缺陷目标检测：模型训练
在训练配置中选择「文件路径列名」①，可在页面右侧③查看对应的标注图片，并在左下方②可见各个目标类别的占比。具体有四种缺陷：Foreign_object_contamination（异物污染）、Hole（孔洞）、Oil_stain（油污）、Thread_related_defect（织造异常）。
纺织品表面缺陷目标检测：模型训练
该案例将测试不同「微调层数」下的模型效果。分别将「微调层数」设置为0、1、2和3，进行对比，其余配置均为默认。
纺织品表面缺陷目标检测：模型训练
点击【训练】。输入名称，可启用GPU加速训练，开始训练。
纺织品表面缺陷目标检测：模型训练
在上一模型训练时，可以点击【训练配置】、在【配置参数】里修改微调层数，同时训练多个模型。
纺织品表面缺陷目标检测：模型训练
训练结束后，可以查看不同模型的精度，对比不同微调层数下的模型效果。可以看出该案例中随着「微调层数」的增加，模型的精度也提高了。
纺织品表面缺陷目标检测：模型训练
预测
根据上文对比，可以看出微调层数为3时，模型的精度最高。选择该模型，点击【查看详情】。
纺织品表面缺陷目标检测：预测
进行模型部署，点击【部署】，点击【确认】。
纺织品表面缺陷目标检测：预测
在「流程」中可以看到已经成功部署模型。
纺织品表面缺陷目标检测：预测
上传预测数据集。先上传结构化数据。
纺织品表面缺陷目标检测：预测
纺织品表面缺陷目标检测：预测
上传图像数据。
纺织品表面缺陷目标检测：预测
纺织品表面缺陷目标检测：预测
上传成功后，可在流程页面查看。
纺织品表面缺陷目标检测：预测
选择已部署的模型，进入预测功能界面。
纺织品表面缺陷目标检测：预测
选择待预测数据集并点击【确认】。
纺织品表面缺陷目标检测：预测
点击【运行】，等待预测完成。
纺织品表面缺陷目标检测：预测
纺织品表面缺陷目标检测：预测
预测完成后，即可查看预测结果。
纺织品表面缺陷目标检测：预测
图片中已标注出缺陷位置。
纺织品表面缺陷目标检测：预测
案例总结
纺织品表面缺陷会影响产品外观、使用性能及后续加工。传统人工检测容易受到效率、经验和工作状态等因素影响，难以兼顾缺陷定位效率与判定一致性，因此，利用目标检测技术辅助纺织品质量检测具有实际应用价值。
本案例基于 TILDA-400 数据集，使用 DTEmpower 构建并部署目标检测模型，实现对异物污染、孔洞、油污和织造异常的识别与定位，展示了工业缺陷数据从训练到预测的应用过程。该方法可为提高检测效率、降低人工判定差异及开展同类表面缺陷检测提供参考。