Cascade-Mask-RCNN_RegNetX在织物疵点实时检测中的应用

1. 项目背景与核心挑战

织物疵点检测是纺织行业质量控制的关键环节。传统人工检测方式存在效率低、漏检率高、标准不统一等问题。我们团队基于Cascade-Mask-RCNN_RegNetX架构开发的检测系统，在保持高精度的同时实现了每秒15帧的实时检测性能。这个实验笔记记录了从模型选型到实际部署的全过程关键节点。

纺织行业对疵点检测有三大核心需求：检测精度（直接影响产品质量评估）、推理速度（关系产线效率）和泛化能力（应对不同织物材质）。我们测试发现，传统Faster R-CNN在细小疵点（如断经、跳花）上召回率不足60%，而单阶段检测器如YOLOv5虽速度快但误检率高。这促使我们选择改进型两阶段检测框架。

2. 技术架构解析

2.1 Cascade-Mask-RCNN核心改进

基础Mask R-CNN在织物检测中存在两个明显缺陷：1）ROI对齐后的特征图在预测小目标时细节丢失严重 2）单一IOU阈值导致定位精度不足。我们通过三级联检测头解决这个问题：

1. 第一级检测头使用IOU=0.5的阈值，确保高召回率
2. 第二级检测头提升至IOU=0.6，过滤明显误检
3. 第三级检测头采用IOU=0.7，精修边界框位置

在织物疵点数据集上的测试表明，这种级联结构将断经类疵点的AP50从72.3%提升到89.1%。具体实现时需要注意：

三级检测头的特征图共享权重，但各自保留独立的分类和回归分支。训练时采用阶段式梯度更新策略，先冻结后两级只训练第一级，逐步解冻。

2.2 RegNetX骨干网络优化

相比常规ResNet50，RegNetX-3.2GF在织物图像处理上展现出独特优势：

1. 分组卷积设计有效捕捉织物纹理特征
2. 渐进式下采样保留疵点细节
3. 计算量减少40%的同时保持相同感受野

我们特别修改了stage3的通道数配置（原版为[72,168,408]调整为[96,192,384]），使其更适合处理棉织物常见的纵向纹理。这个调整带来两个好处：

• 纬向疵点检测精度提升12%
• 模型参数量减少15%

3. 数据集构建关键点

3.1 数据采集规范

项目使用的织物数据集包含6大类32小类疵点，采集时遵循以下标准：

1. 成像设备：Basler ace acA2000-50gc工业相机