Automatic Fabric Defect Detection Based on an Improved YOLOv5

Abstract

Fabric defect detection is particularly remarkable because of the large textile production demand in China. Traditional manual detection method is inefficient, time-consuming, laborious, and costly. A deep learning technique is proposed in this work to perform automatic fabric defect detection by improving a YOLOv5 object detection algorithm. A teacher-student architecture is used to handle the shortage of fabric defect images. Specifically, a deep teacher network could precisely recognize fabric defects. After information distillation, a shallow student network could do the same thing in real-time with minimal performance degeneration. Moreover, multitask learning is introduced by simultaneously detecting ubiquitous and specific defects. Focal loss function and central constraints are introduced to improve the recognition performance. Evaluations are performed on the publicly available Tianchi AI and TILDA databases. Results indicate that the proposed method performs well compared with other methods and has excellent defect detection ability in the collected textile images.

A Two-model Automatic Towel Defect Detection Method Based On YOLOv5

“…Rui Jin and Qiang Niu proposed a method of YOLOv5 for fabric defect detection using a teacher-student network structure. They introduced a multi-task learning strategy and focal loss and center loss constraints [23]. However, the cost of the fabric production process is not effectively reduced.…”

Algoritmo de Deep Learning baseado na rede neural YOLOv5 para classificação dermastoscópica e detecçâo de câncer (melanoma)

“…O trabalho de (Jin & Niu, 2021) explana que a série de algoritmos YOLO utiliza a ideia de regressão para de forma simples aprender as características visuais gerais de um alvo, otimizando o tempo necessário para a resolução do problema. Esta utiliza de redes neurais de estágio único P á g i n a | 819 para efetuar uma completa detecção do posicionamento e da classificação dos objetos em análise.…”

“…O método de detecção de objetos, pode ser também utilizado para identificar padrões específicos que apontem por exemplo para a existência de fenômenos ou anomalias, como falhas estruturais. É o que demonstra o artigo de (Jin & Niu, 2021), uma abordagem comparativa acerca da performance da YOLOv5 no processo de identificação, frente ao desempenho de outras redes neurais desenvolvidas.…”

Textile defect detection using YOLOv5 on AITEX Dataset

“…Também baseado no YOLOv5, [Jin and Niu 2021] apresentaram uma arquitetura professor-estudante com o objetivo de lidar com a baixa quantidade de imagens de defeitos disponíveis. Para a avaliac ¸ão do modelo foram utilizadas as bases TILDA e outra disponibilizada pelo Xuelang Tianchi AI Challenge, com imagens rotuladas por Bounding Boxes.…”

“…Após a publicac ¸ão das novas versões, até onde é de conhecimento, poucos trabalhos foram realizados com a versão mais recente no contexto de detecc ¸ão de defeitos têxteis com a base AITEX. Os artigos de [Zheng et al 2021] e [Jin and Niu 2021] utilizaram outras bases de imagens públicas.…”