点击蓝字关注我们关注并星标从此不迷路计算机视觉研究院公众号ID计算机视觉研究院学习群扫码在主页获取加入方式https://pmc.ncbi.nlm.nih.gov/articles/PMC13074450/pdf/polymers-18-00807.pdf计算机视觉研究院专栏Column of Computer Vision Institute本文提出的基于聚丙烯基碳纤维 / 玻璃纤维 UD 带真实生产图像建立制造缺陷四分类体系并用轻量化 YOLO 模型实现高效视觉检测小样本下也能稳定落地。PART/1痛点核心痛点UD 带缺陷检测的三大难题缺陷无统一分类学界多关注铺放 / 固化后缺陷缺少面向带材生产阶段的标准化缺陷定义。小样本难训练工业现场难获取海量标注数据传统模型泛化差。材料视觉差异大玻璃纤维带因透明遮蔽效应缺陷对比度极低极难检测。PART/2创新创新方案制造驱动的四分类缺陷体系研究基于实验室真实生产将缺陷按形成机理 视觉特征分为 4 类可直接用于工业质检生产导向缺陷分类与视觉可检测性层级图PART/3技术关键技术贴合 UD 带的轻量化检测 pipeline1. 数据集纯实拍、无合成300 张高分辨率生产实拍图按 7:2:1 划分训练 / 验证 / 测试集。拒绝合成数据完全还原产线光照、位置、纹理波动。2. 定制增强不破坏物理真实性针对 UD 带单向连续特性禁用马赛克、上下翻转等无效增强仅用小幅缩放、左右翻转、亮度 / 饱和度微调保留缺陷形态与带材方向一致性UD 带专用增强参数表3. 模型选型轻量 YOLO 三代横评对比 YOLOv8、YOLOv11、YOLO26无 NMS 端到端优先选 s/n 小模型适配边缘端部署训练硬件Apple Mac Mini M4输入尺寸640p300 轮训练迁移学习 余弦退火学习率小样本稳定收敛模型训练超参数表PART/4结果结果亮眼YOLO26-s 小模型完胜1. 整体性能mAP0.5YOLOv8-s0.78YOLOv11-s0.83YOLO26-s0.87±0.03精度 0.90召回 0.85F1 0.87三代 YOLO 模型 mAP 对比柱状图2. 分类精度YOLO26-s界面类0.92 → 最优基体类0.90纤维类0.89表面类0.79 → 最难四类缺陷逐类性能指标四类缺陷正确检测示例图3. 材料差异碳纤维 VS 玻璃纤维PP-CF碳纤维不透明与基体对比度高缺陷易识别。PP-GF纤维与基体折射率接近透明遮蔽导致纤维类缺陷更难检出。混淆矩阵验证集聚合结果各类别精确率 - 召回率曲线PART/5工业价值工业价值小样本、轻量、可落地不用大数据仅 300 张实拍即可训练适配实验室 / 小批量产线。边缘可部署轻量模型推理快可集成到在线质检工位。早筛降本在铺放 / 固化前检出缺陷避免后续工序浪费。缺陷可解释分类与生产工艺强关联直接指导参数优化。PART/6总结这项研究不拼算法复杂度把工业真实需求放在第一位建立可直接使用的 UD 带缺陷四分类体系验证轻量 YOLO 在小样本下的工业可行性揭示材料光学特性对视觉检测的底层影响未来结合热成像、双面视觉、工艺数据融合可进一步攻克低对比度缺陷实现闭环质量控制。有相关需求的你可以联系我们END转载请联系本公众号获得授权计算机视觉研究院学习群等你加入ABOUT计算机视觉研究院计算机视觉研究院主要涉及深度学习领域主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架提供论文一键下载并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程让大家真正体会摆脱理论的真实场景培养爱动手编程爱动脑思考的习惯往期推荐YOLO-TLA一种基于 YOLOv5 的高效轻量级小目标检测模型ViT-YOLO基于Transformer的用于目标检测的YOLO算法SSMA-YOLO一种轻量级的 YOLO 模型具备增强的特征提取与融合能力适用于无人机航拍的船舶图像检测LUD-YOLO一种用于无人机的新型轻量级目标检测网络Gold-YOLO基于聚合与分配机制的高效目标检测器Drone-YOLO一种有效的无人机图像目标检测「无人机AI」“空中城管”无人机AI光伏巡检自动化解决方案无人机视角下多类别船舶检测及数量统计机场项目解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题2PCNet昼夜无监督域自适应目标检测附原代码YOLO-S小目标检测的轻量级、精确的类YOLO网络大改Yolo框架 | 能源消耗极低的目标检测新框架附论文下载改进的检测算法用于高分辨率光学遥感图像目标检测