2.3 YOLO 变体的比较分析

        YOLO 变体的比较分析揭示了对织物缺陷检测具有显著影响的关键进展。早期模型，例如 YOLO-v3 和 YOLO-v4，引入了多尺度检测并改进了锚框聚类，增强了其定位不同尺寸缺陷的能力。然而，这些模型在处理细粒度纹理变化和重叠缺陷时仍然面临挑战。YOLO-v5 和 YOLO-v7 通过引入更好的特征融合机制和更轻量级的架构，克服了这些局限性，从而平衡了速度和精度，使其非常适合实时制造环境。更新的模型，例如 YOLO-v9、YOLO-v10 和 YOLO-v11，利用了基于 Transformer 的注意力机制和自适应学习，使其能够捕捉复杂的织物纹理并更有效地检测细微的微缺陷。虽然这些模型能够实现更高的精度，但它们也带来了更高的计算需求，因此更适合高端 GPU 环境，而非资源受限的边缘设备。最终，YOLO 版本选择取决于精度、速度和硬件可用性之间的权衡，YOLO-v5 和 YOLO-v7 仍然是实时应用的有力选择，而 YOLO-v10 和 YOLO-v11 则在先进制造业的质量控制中，在高精度缺陷检测方面表现出色。表 12 对比了各种 YOLO 版本的优势和劣势，展示了随着这些架构组件的演进，速度、精度和复杂性之间的权衡，以满足实际目标检测任务的需求。

表12. YOLO各变体的优势与劣势比较。

模型 优势 劣势

YOLO-v1 性能快，可实时检测 与两阶段检测器相比精度较低

YOLO-v2 使用锚框时性能更佳 精度仍然存在问题

YOLO-v3 使用 Darknet-53 骨干网络提高了精度 复杂度增加，速度比早期版本慢

YOLO-v4 可适配多种头部和骨干网络 用户友好性较差

YOLO-v5 训练速度比 YOLO-v3 更快，精度更高 适配性不如 YOLO-v4

YOLO-v6 计算和参数调整速度更快 研究和资源可用性较低

YOLO-v7 精度和速度均优于 YOLO-v6 复杂度更高，存在过拟合风险

YOLO-v8 比 YOLO-v7 更轻量、速度更快 针对特定案例进行了优化

YOLO-v9 模型尺寸更小，非常适合实时应用 过于关注特定对象，忽略了其他对象

YOLO-v10实时检测和精度有所提升基于YOLO-v9 的重点在于减小模型尺寸

应用于高度多样化的数据集时，可能会出现过拟合或性能下降的情况

YOLO-v11有望在准确性和速度方面取得进一步提升但可能需要更高的计算资源。

2.4 YOLO 变体损失函数的演变

        YOLO 框架从 YOLO-v1 到 YOLO-v11 的演变，在提升实时目标检测性能方面取得了显著进步 [82]。这一演变的关键在于改进损失函数，以在保持计算效率的同时提高准确率 [83]。在目标检测中，损失函数在决定模型学习定位和分类目标的准确程度以及边界框的参考方面起着至关重要的作用。YOLO 的工作原理是将图像分割成网格，并预测边界框及其类别概率，损失函数则用于指导训练过程中这些预测的优化 [84]。损失函数对织物缺陷检测的影响值得关注。每个 YOLO 变体都引入了损失函数方面的创新，以应对检测微小、不规则或重叠织物缺陷的挑战，如表 13 所示。

早期的 YOLO 版本（从 YOLO-v1 到 YOLO-v2）采用均方误差 (MSE) 和平方误差和进行边界框回归 [85]。然而，这些损失函数难以处理尺度变化和长宽比不匹配的问题，导致对细微织物缺陷的定位效果不佳。YOLO-v3 引入了广义 IoU (GIoU) 和距离 IoU (DIoU)，通过根据边界框的形状和重叠情况对其进行惩罚，提高了定位精度，从而更容易检测到细微的织物不一致性 [86]。 YOLO-v4 和 YOLO-v5通过完全交并比 (CIoU) 进一步增强了定位性能，CIoU 同时考虑了距离和纵横比，从而确保更精确的缺陷边界检测，尤其是在高分辨率纺织品图像中 [87]。对比研究表明，CIoU 在织物缺陷检测方面优于 DIoU，因为它能更好地与纺织品缺陷的几何特征相匹配，尤其是在定位精度至关重要的高分辨率图像中。早期模型主要依赖于二元交叉熵 (BCE) 进行分类，这足以进行基本的缺陷分类。然而，BCE 在处理不平衡数据集时表现不佳。YOLO-v4 和 YOLO-v5 集成了 Focal Loss，通过降低易于分类的缺陷的影响，同时强调更难检测的异常（例如织物中的轻微变色和微撕裂）来缓解类别不平衡问题 [88]。YOLO-v6 及后续模型集成了分布焦点损失 (DFL) 和可变焦点损失，进一步改进了概率估计并提升了小目标检测能力 [89]。这些模型能够有效区分细微的织物缺陷，例如微撕裂或细微污渍。YOLO-v9 采用 L1 损失来提高收敛速度，使其在实时边缘检测系统中对精细纹理织物缺陷的检测尤为有效，因为在这些系统中，计算效率至关重要 [90]。最新的模型 YOLO-v10 和 YOLO-v11 采用混合损失函数，结合了坐标损失、置信度损失和上下文 IoU (CloU)。这些改进增强了在密集或复杂纺织图案中的检测能力，从而提高了区分重叠缺陷的准确率。通过利用这些先进的损耗函数，新型 YOLO 模型增强了检测微小且复杂的织物缺陷的能力，
从而更有效地确保缺陷定位即使在高速生产环境中也能保持准确。这些改进弥合了学术研究成果与工业应用之间的差距，使实时缺陷检测更可靠、更高效，适用于现代纺织品质量控制系统。

2.5. YOLO 版本改进及其在织物缺陷检测中的应用

        YOLO 模型系列自诞生以来取得了显著进步，每个版本都引入了新的功能，以应对目标检测中的特定挑战。在这些进步中，基于 Transformer 的注意力机制、多尺度检测 [91] 和自适应学习已成为关键技术，增强了各个 YOLO 版本的检测能力。基于 Transformer 的注意力机制最初在 YOLO-v9 [63] 中引入，并在 YOLO-v10 [64] 中得到改进，它利用 Transformer 的自注意力能力来捕获图像中对象之间的长程依赖关系和上下文关系。这种方法在复杂场景中尤其有利，在这些场景中，重叠对象、多样化的纹理或杂乱的背景很常见 [92]。例如，在织物缺陷检测中，Transformer 可以通过分析全局空间关系来区分真正的缺陷和重叠图案[93]。YOLO-v9 将基于 Transformer 的注意力机制直接集成到其主干网络中，使模型能够有效地处理全局上下文信息，并提高其检测较大图案可能掩盖的微小缺陷的能力。在此基础上，YOLO-v10 将基于 Transformer 的全局注意力机制与卷积局部注意力机制相结合，创建了一个混合注意力系统[94]，该系统在保持更广泛的上下文理解的同时，确保了对微缺陷的精确定位。这种组合在纺织品制造等场景中非常有效，因为在这些场景中，宏观和微观层面的缺陷检测都至关重要。YOLO-v3 [65] 中引入的多尺度检测技术，并在后续版本中得到了改进，它允许模型通过分析多个分辨率的特征图来检测不同尺寸的物体。这项技术对于织物缺陷检测等应用至关重要，因为缺陷的范围从微小的针孔到大的撕裂不等。 YOLO-v3 利用特征金字塔网络 (FPN)在三个不同的尺度上预测目标，从而显著增强了其检测小型和重叠目标的能力。YOLO-v4 和 YOLO-v5 通过集成先进的颈网络架构（例如路径聚合网络 (PANets) [95]）进一步增强了这一能力，从而改进了低级和高级特征的融合。在 YOLO-v7 及更高版本中，多尺度

检测辅以无锚点机制，简化了流程并降低了计算开销 [96]。这对于实时应用尤为有利，因为它
在保持高检测精度的同时提高了推理速度。YOLO-v11 中显著的自适应学习技术包括动态

模型缩放 [97]、半监督学习 [98] 和上下文感知自监督 ffne 调优[99]。这些方法增强了模型的泛化能力和鲁棒性，使其能够在各种数据集和真实场景中表现良好。动态模型缩放根据计算资源和场景复杂度调整网络的深度和宽度，确保在高性能GPU和资源受限的边缘设备上高效运行[100]。半监督学习利用未标记数据以及已标记数据集来增强在代表性不足的场景中的检测能力[101]，这对于织物缺陷检测尤其有利，因为获取已标记数据集可能既昂贵又耗时[102]。上下文感知自监督特征调优利用输入数据的固有结构来改进特征表示，无需显式标签，从而提高复杂环境（例如光照变化或复杂织物图案）中的检测精度[103]。这些进展展现了YOLO模型在应对织物缺陷检测的独特挑战方面的多功能性和适应性[104]。表14总结了这些进展，包括YOLO变体及其改进，以及它们在织物缺陷检测方面的结果。为了解决数据集多样性问题，未来的研究应侧重于开发合成数据集，利用生成对抗网络（GAN）来模拟各种织物纹理和缺陷类型[105]。此外，针对边缘设备优化的轻量级YOLO模型可以提升资源受限环境下的实时性能[106]。通过利用基于Transformer的注意力机制[107]、多尺度检测[108]和自适应学习[109]，YOLO模型在自动化质量控制和实时目标检测领域不断树立标杆[110]。

本文回顾了织物缺陷检测领域的进展，重点介绍了共同趋势和持续存在的挑战。注意力机制、锚点聚类和多尺度特征提取显著提高了检测精度，尤其是在检测微小缺陷方面，例如微撕裂和染色不均。在 YOLO 的各种变体中，YOLO-v5 和 YOLO-v7在实时性能和精度之间实现了最佳平衡，

使其非常适合高速制造环境。表 15 进一步展示了 YOLO 模型的演进，重点介绍了显著提升检测能力的关键架构改进。例如，YOLO-v5 将CSP-Darknet53 与空间金字塔池化快速 (SPPF) 模块和无锚点的分离式 Ultralytics 检测头集成在一起，优化了精度和速度之间的权衡。YOLO-v7
利用模型重参数化和动态标签分配，进一步提高了效率。 YOLO-v10 和 YOLO-v11 等最新版本融合了自注意力机制，以捕捉长程依赖关系；采用深度可分离卷积来优化计算效率；以及基于 Transformer 的特征融合，以增强在复杂检测场景中的上下文理解。尽管取得了进展，但由于纹理多样性、光照变化和缺陷重叠，织物缺陷检测仍然具有挑战性。需要进一步优化模型并进行特定领域的改进。

3. 织物缺陷检测的应用、方法和数据集

        本节全面回顾了利用各种YOLO 模型识别和定位织物缺陷的应用，涵盖从传统制造到
现代自动化质量控制系统的各个领域。在实际工业环境中，基于 YOLO 模型的织物缺陷检测系统已应用于纺织品制造的各个阶段。例如，自动化织造和针织生产线能够实时检测织物表面，以发现诸如孔洞、污渍和错织等缺陷，从而减少材料浪费并提高生产效率。在染色和印花过程中，集成 YOLO 的视觉系统有助于识别颜色不一致和印花错位，确保严格的质量标准得到贯彻。此外，智能纺织工厂已将 YOLO 驱动的模型集成到工业 4.0 框架中，将缺陷检测与实时监控仪表盘和生产控制系统集成在一起。在织物分级和分拣单元中，基于YOLO的检测结果用于根据缺陷严重程度将织物分类到不同的质量等级，从而促进自动化质量保证和基于信息的决策。此外，诸如玻璃纤维织物检测和棉纺织业杂质检测等专业应用，展示了如何针对特定领域的检测任务定制YOLO模型。这些实际应用凸显了基于YOLO的系统在纺织品检测工作流程现代化方面的变革性影响，从而在工业环境中实现可扩展、高速且可靠的质量控制。表16和图13展示了使用基于YOLO的模型进行织物缺陷检测的不同研究的检测精度（mAP）。我们探讨了各种增强YOLO性能的技术，尤其是在织物缺陷检测应用中。这些技术包括改进的特征提取、与Transformer模型网络集成以及用于捕获织物精细细节的优化锚框。通过这些创新，基于YOLO的模型正在改变织物检测的格局，提升了其在各种工业环境中的准确性、速度和适应性。Ye等人[82]通过可变形卷积和注意力机制增强了YOLO-v7，使其平均精度均值(mAP)提高了15.43%，尤其是在检测细微和重叠缺陷方面，使其非常适合复杂的织物纹理。类似地，Yaohis等人[111]提出了YOLO-v7-tinier，作为一种高效紧凑的织物缺陷检测方法，并对YOLO-v7-tiny模型进行了多项关键改进。这些改进包括部分卷积、一个名为“膨胀空间金字塔池化快速交叉阶段部分连接”的新模块，以及一个带有注意力机制的卷积结构，从而在减少参数数量的同时提高了检测的准确性和速度。在实验中，YOLO-v7-tinier 的平均精度均值 (mAP) 提高了 9.55%，参数量减少了 10.81%，优于原始 YOLO-v7 模型。该方法解决了模型在在线织物缺陷检测任务中识别准确率低和实时性能差的问题。

        Yue 等人 [112] 提出了一种改进的基于 YOLO-v4 的目标检测算法，用于织物缺陷检测。该算法利用数据增强、锚框聚类、新的预测层、注意力机制和优化的损失函数，能够准确检测织物缺陷中的微小目标。这些技术共同增强了模型检测小目标的能力，并提高了其在织物缺陷检测中的整体性能。类似地，Li 等人…… [113] 提出了一种改进的基于 YOLO-v4 的织物表面缺陷检测算法，该算法融合了多项改进，例如：

利用基于密度的空间聚类算法（DBSCAN）确定锚点，以优化锚点数量，这对于精确定位图像中的织物缺陷至关重要。其他改进包括：增强特征提取网络、融合检测实验以及性能验证。这些改进共同提升了模型的鲁棒性、特征提取能力以及在织物缺陷检测方面的整体性能。

Jing等人[46]提出了一种基于改进的YOLO-v3模型的高性能实时织物缺陷检测方法，旨在提高缺陷检测率和织物产品质量。关键改进包括基于织物缺陷尺寸对目标帧进行维度聚类，以及使用K均值算法优化锚框的尺寸和数量。该模型还集成了低级和高级特征，并在多尺度特征图中添加了YOLO检测层，从而增强了其对灰色和格子织物缺陷检测的适用性。改进后的模型对这些织物的检测误差率低于5%。实验结果表明，该方法在缺陷检测精度方面优于标准的YOLO-v3，并降低了误差率。Kawaguchi等人[114]提出了一种使用YOLO的实时织物缺陷检测系统，以提高纺织加工效率。与传统的卷积神经网络（CNN）等方法不同，后者需要单独的目标检测和识别阶段，因此在生产线上的实时性能受到限制。本研究旨在通过实施YOLO算法来简化缺陷检测流程，从而直接在生产工作流程中实现快速准确的检测。作者认为，这种方法有望实现纺织品缺陷检测的自动化，减少人为错误，提高检测精度，并降低织物检测的人工成本。

Li等人[115]提出了一种新型的三阶段级联网络模型Mobile-YOLO，用于在线检测玻璃纤维织物中的缺陷。玻璃纤维织物生产过程中对各种缺陷的容忍度各不相同，可接受的缺陷只需记录并打印相关信息即可。相反，不可容忍的缺陷则需要立即停止织机进行处理。该模型集成了MobileNetV3和YOLO-v8n的增强功能，并结合注意力机制，以提高特征表示、模型效率和对不同类型玻璃纤维织物缺陷的检测精度。Rasheed等人[19]全面概述了用于织物缺陷检测的计算机视觉技术，评估了它们的性能指标并讨论了现有研究的局限性。作者探讨了织物缺陷检测向自动化流程的转变，旨在降低人工成本并提高检测质量。文章比较了人工检测流程和基于计算机视觉的自动化方法，强调了自动化在织物缺陷检测方面的优势。本文还提出了未来研究方向，以推进纺织行业的自动化缺陷检测。

Luo等人[116]提出了一种轻量级检测器，该检测器利用注意力机制来提高检测精度和效率，因为纺织行业中织物缺陷会造成巨大的经济损失。本文强调了自动化织物缺陷检测的重要性。它将现有的织物缺陷检测方法分为四大类：结构分析、统计分析、频域分析和模型分析。这些类别采用了各种技术，包括轮廓特征提取、相似性估计、基于滤波器的方法以及使用卷积神经网络的纹理特征提取。通过结合计算机视觉、深度学习和注意力机制，所提出的模型旨在克服传统人工缺陷检测方法的局限性，并提高纺织行业的生产效率。

Zhang等人[117] 提出了一种多通道融合分割方法和一种改进的 YOLO-v4 分类与识别方法，用于检测机器采摘的籽棉中的杂质。改进的 YOLO-v4 模型能够对分割图像中的杂质进行分类和识别。

机器采摘的籽棉中的杂质，例如棉铃壳、硬花瓣、棉枝和杂草，会影响棉花的质量和后续加工。在 YOLO 的各种变体中，YOLO-v5 和 YOLO-v7 在速度和精度之间取得了平衡，使其成为高速生产线的理想选择。YOLO 的 v9 和 v10 版本最近利用 Transformer 模型增强了缺陷定位，尤其是在重叠或复杂纹理的情况下 [118]。Transformer 模型利用自注意力机制来捕获图像中的全局上下文关系，使模型能够区分位置接近的缺陷和重叠的纹理 [119]。例如，在织物缺陷检测中，重叠图案（例如交织的线头或相邻的撕裂）常常会使传统的基于卷积神经网络（CNN）的模型难以识别，因为它们只能提取局部特征[120]。相比之下，Transformer 模型能够评估整个空间上下文，确保每个缺陷都能被识别和定位。在 YOLO-v10 中，混合注意力机制结合了基于 Transformer 的全局注意力机制和卷积局部注意力机制，从而提高了精度。

这种双重方法使模型能够专注于重叠缺陷的复杂细节，同时保持对周围织物纹理的更广泛理解。因此，YOLO-v10 在缺陷密度高或纹理复杂（例如图案织物或复杂编织织物）的场景中表现出卓越的性能。

3.1 织物缺陷检测数据集

       本节介绍用于织物缺陷检测任务的数据集，并对其特征和相关挑战进行全面分析。这些数据集在推进研究方面发挥着至关重要的作用，它们为评估各种 YOLO 模型和其他检测算法的性能提供了基准。图像复杂度、分辨率、缺陷类别数量和数据集大小等关键属性体现了这些数据集的多样性及其发布年份。尽管这些数据集意义重大，但仍存在一些挑战，例如如何应对处理大规模数据集的高计算需求，以及如何开发适用于工业环境中实时应用的高效算法。例如，Tianchi AI 数据集包含高分辨率图像（513 × 513 和 1536 × 1536），使其适用于详细的缺陷分析，但在实时场景中计算量巨大。类似地，TILDA 数据集包含 3200 张图像，涵盖五种缺陷类别，非常适合用于检测小规模缺陷。

        其他数据集，例如 KTH-TIPS-I 和 KTH-TIPS-II，提供了更广泛的分辨率范围（200 × 200 至 1280 × 960），并支持多达 11 个类别，为各种实验设置提供了灵活性。AITEX Fabric 数据集包含 4096 × 256 的高分辨率图像，涵盖七种缺陷类别，是训练用于工业织物检测的模型的坚实基础。

此外，TIDA 400 数据集包含 25,600 张分辨率为 64 × 64 的图像，强调效率和可扩展性，使其适用于计算资源有限的应用。最后，Lusitano 数据集以其丰富的数据集脱颖而出，该数据集包含 36,000 张高分辨率图像（4096 × 1024），涵盖 35 个缺陷类别，为训练模型处理复杂的缺陷场景提供了无与伦比的多样性。ZJU-Leaper 数据集包含 19 个类别的 98,777 张图像，为深度学习实验提供了丰富的资源。YDFID-1 数据集包含 3830 张分辨率为 512 × 512 × 3 的图像，涵盖 19 个缺陷类别，对于基于颜色的缺陷检测任务尤为重要。织物污渍数据集包含 466 张高分辨率图像（1920 × 1080 和1080 × 1920 像素），涵盖 ffve 个类别，旨在检测特定的污渍相关缺陷。

香港大学织物数据集包含 250 张分辨率为 256 × 256 的图像，分为六个类别，

为探索小型数据集中的缺陷检测提供了一个紧凑而宝贵的资源。最后，Brodatz 纹理数据集包含 700 张图像，分辨率从60 × 60 到512 × 512 不等，分为九个类别，仍然是基于纹理的缺陷研究的经典选择。表 17 总结了这些数据集的关键属性，包括图像分辨率、类别数量和发布年份，突显了它们在增强织物缺陷检测模型的可扩展性和鲁棒性方面的价值。通过利用这些数据集，研究人员可以有效地应对织物纹理、缺陷类型和工业需求的复杂性，最终推动自动化缺陷检测领域的发展。

3.2 纺织品制造

        与织物缺陷自动检测相关的应用主要集中在生产过程中检测诸如孔洞、污渍、撕裂和图案错位等问题。自动检测通过快速识别缺陷织物，降低人工检测成本，提高生产线效率，并通过在生产过程早期发现缺陷来维持产品质量，如表18所示。

YOLO-v1单次检测，粗网格结构检测小型或密集排列的缺陷的能力有限。实时速度快，但精度较低。精度较低。

YOLO-v2

锚框，批量归一化通过更高分辨率的成像，改进了对细微缺陷（例如，小撕裂、污渍）的检测。

精度和速度均有所提升。可检测重叠缺陷，且 mAP 提升 20%。

YOLO-v3 多尺度检测，FPN通过分析小型缺陷来处理复杂纹理。三个粒度级别的特征。

YOLO-v4CSPDarknet，马赛克增强在不同的光照条件和图案下具有更好的泛化能力。训练效率和精度均有所提高。

YOLO-v5 CSPNet，自动锚框学习针对高速生产线上的实时检测进行了优化。降低了计算开销。

YOLO-v6高效Rep骨干网络，RepPAN颈部改进了对细微缺陷的检测并实现了无锚框训练。

速度和准确率均有所提升。

YOLO-v7E-ELAN，动态标签分配更好地检测各种缺陷并提高了在高速环境下的可扩展性。

效率和准确率均有所提升。增强了适应性和计算效率，用于检测

YOLO-v8无锚框检测，模块化架构复杂织物缺陷，例如高效性和灵活性。不规则纹理。

YOLO-v9基于Transformer的注意力机制机制更好地理解上下文，用于检测各种纹理
和光照条件下的缺陷。在具有挑战性的环境中提高了准确率。

YOLO-v10混合注意力机制，自适应缩放提升检测精度，可检测细微且重叠的缺陷，适用于

实时场景。增强边缘设备性能。

YOLO-v11多尺度注意力，自适应学习在各种光照和织物类型下，均能更有效地检测缺陷。

Ngan等人[3]回顾了近年来开发的织物缺陷检测方法，主要关注纺织制造业中的自动缺陷检测。

他们的研究强调了自动检测如何通过早期发现缺陷来提高效率，降低成本，并改善织物质量控制。与传统的人工检测方法相比，在提高织物质量的同时降低劳动力成本是自然而然的发展趋势。自动检测方法的成功率高达90%以上，而人工检测的成功率仅为60%至70%。Mak等人[4]的研究也支持了这一观点。 [132] 研究了先进的计算机图像处理技术在纺织织物自动缺陷检测中的应用。他们提出了一种基于Gabor滤波器的新型缺陷检测方案，并使用包含各种均质织物样本的织物图像数据库评估了其性能。结果表明，该方案能够准确检测缺陷，且误报率低，证明了其有效性和鲁棒性。使用原型自动缺陷检测系统进行的实时测试进一步证实了该方法的有效性和可靠性。他们还讨论了服装制造业质量控制的重要性以及人工检验的局限性，包括人为错误、性能不稳定和检验成本高。这强调了自动化视觉检测系统对于降低制造成本和实现更可靠、客观和一致的质量控制流程的必要性。

Jiang等人[133]研究了生产过程中织物的自动化检测，重点关注孔洞、污渍、撕裂和图案错位等缺陷的检测。为此，计算机视觉和图像处理领域已开发出多种先进的算法和技术。这些算法和技术可用于织物缺陷检测，包括基于结构的、基于统计的、基于光谱的和基于模型的检测方法。这些方法利用纹理分析、统计特征、数学形态学和光谱方法来识别和分类织物图像中的缺陷。基于这些方法的自动化检测系统可以显著降低人工检测成本，通过快速识别缺陷织物来提高生产线效率，并通过在生产早期发现缺陷来保持产品质量。通过实施这些先进的算法和技术，制造商可以改进质量控制流程，并确保只向客户交付高质量的织物。

3.3 缺陷检测算法

        织物缺陷检测依赖于各种专门用于识别纺织材料缺陷的算法。传统方法通常采用手工提取的特征，并结合经典的机器学习技术，例如支持向量机 (SVM)和 k 近邻 (k-NN) [134,135]。然而，计算机视觉领域的最新进展已将重点转移到基于深度学习的方法上。例如，卷积神经网络 (CNN)

擅长直接从图像中学习复杂的模式，使其在织物缺陷检测方面特别有效[136]。类似地，YOLO

和 Faster R-CNN 等目标检测框架在检测和定位缺陷方面也表现出色[137]。基于 Transformer 的模型也已出现，为复杂纹理提供了更优的特征提取能力。每种方法都有其独特的优势，具体取决于数据集的大小、缺陷的复杂性以及计算资源。Avudaiamaal 等人[138] 探讨了屋顶材料在各种背景下的重要性，包括城市发展、贫困评估和灾后建筑评估。他们采用 YOLO 算法（一种广泛使用的用于目标检测的深度学习模型）来识别和分类来自航拍图像的不同屋顶材料。Kailasam 等人 [139] 强调了织物缺陷检测在纺织制造业中的关键作用，并着重指出其在质量控制中的重要性。他们还讨论了 R-CNN 和 YOLO-v4 等技术，这些技术旨在创建更精确、更有效的织物缺陷检测系统。Saberironaghi 等人 [140] 总结并分析了当前使用机器学习方法进行缺陷检测的研究，包括基于深度学习的表面缺陷识别方法。他们的工作涵盖了监督学习、半监督学习和无监督学习技术，并讨论了基于深度学习的 X 射线图像缺陷检测方法的最新研究趋势。

3.3.1. YOLO 模型集成

        将 YOLO 模型集成到织物缺陷检测系统中涉及一个全面的工作流程，包括训练、微调和部署，旨在满足工业应用的特定需求。训练首先要准备一个标注完善的数据集，其中包含织物缺陷图像，并带有边界框和标签，用于识别诸如撕裂、污渍和图案错位等缺陷。数据增强技术，例如旋转、翻转、裁剪和马赛克增强，通过使模型适应不同的织物纹理和缺陷变化来增强模型的鲁棒性[141]。使用聚类算法（例如 K-means）确定最佳锚框尺寸，以确保缺陷的精确定位[142]。对预训练的 YOLO 模型进行微调（通常使用来自 COCO 等大规模数据集的权重进行初始化），可以加速模型对特定织物数据集的适应[143]。这种迁移学习方法可以减少训练时间和计算成本，同时使模型能够专门用于识别织物缺陷。可应用的技术，例如层冻结，可以在更新特定任务的检测层的同时，保留主干网络中的通用特征。基于Transformer的模型已成为提高YOLO模型上下文理解能力的强大机制[144]。通过集成自注意力机制，YOLO模型可以捕获特征之间的长程依赖性和关系，从而更好地区分缺陷和背景纹理。基于Transformer的增强功能还可以通过同时分析全局和局部上下文来改进重叠缺陷的检测。将这些机制融入YOLO架构可以增强其检测细微和复杂织物缺陷的能力，尤其是在涉及复杂图案或同一区域内存在多种缺陷类型的场景中。注意力机制，例如空间注意力和通道注意力，通过强调输入图像的关键区域来进一步改进特征提取[145]。空间注意力集中于缺陷概率较高的区域，而通道注意力则突出信息量最大的特征图。这种双重关注提高了对可能被忽略的微小缺陷的检测精度。将注意力机制集成到 YOLO 的主干层和颈部层，确保模型优先处理相关特征，从而增强其在各种织物纹理和光照条件下的鲁棒性。自适应锚框策略通过动态调整锚框尺寸以匹配缺陷的不同尺度和形状，从而优化织物缺陷的定位[146]。与静态锚框不同，自适应策略采用数据驱动的方法，例如迭代聚类或在线学习，在训练过程中动态调整锚框大小。这确保了预测边界框和真实边界框之间更好的对齐，尤其适用于形状不规则或细微的缺陷。自适应锚框策略显著提高了 YOLO 模型的精确率和召回率，使其在缺陷变化较大的工业应用中更加有效。在真实环境中部署强调利用硬件加速（例如 GPU 或边缘 AI 设备）实现高速推理，从而提升实时性能 [147]。此外，后处理步骤（包括非极大值抑制）通过消除冗余预测来优化输出。通过准备一个能够反映真实世界复杂性（例如光照变化、纹理多样性和重叠缺陷）的自定义数据集，并采用迁移学习来弥合通用数据集和特定领域应用之间的差距，YOLO 模型在织物缺陷检测方面实现了高精度和可扩展性。

3.3.2. 检测后处理

        织物缺陷检测系统通过改进模型预测并提供可操作的洞察信息来实现。一个关键步骤是过滤掉误报，以确保仅标记真正的缺陷，从而减少不必要的干预并维持生产线的运行效率[147]。此外，还会进行严重性评估，将检测到的缺陷分类为不同级别，例如轻微或严重，使制造商能够根据缺陷的严重程度确定操作优先级[148]。例如，严重缺陷可能需要立即干预，例如停止生产线，而轻微缺陷可以记录下来以进行进一步的质量检查。最后，系统会为操作员生成可操作的报告，提供有关每个检测到的缺陷的类型、位置和严重程度的详细信息。这些报告有助于做出明智的决策，简化缺陷管理流程，并确保在实时制造环境中产品质量的一致性[149]。

4. 基于YOLO的织物缺陷检测比较讨论

        基于YOLO的模型已成为强大的实时织物缺陷检测工具，这得益于其单阶段架构、速度与精度之间的平衡以及对各种制造场景的适应性。然而，选择最合适的YOLO变体取决于多种因素，

包括精度要求、计算限制以及织物缺陷的性质。第4节重点比较讨论YOLO模型在织物缺陷检测中的性能和权衡，并参考表13和表15，以突出实际应用方面的见解和挑战。

4.1. YOLO变体在织物缺陷检测中的性能比较

在多项研究中，YOLO-v5和YOLO-v7在织物缺陷检测任务中表现出卓越的性能，在低延迟下实现了高检测精度。这些模型能够有效处理各种缺陷类型，例如孔洞、污渍、缺纱和织纹错位，这得益于其强大的架构特性，例如跨阶段部分网络 (CSPNets) [150] 和路径聚合网络 (PANets) [151]。YOLO-v5尤其适用于需要轻量级部署和在边缘设备上快速推理的工业环境。同时，YOLO-v7 集成了 E-ELAN 以增强学习效率，使其特别适合检测复杂且重叠的织物缺陷。从 YOLO-v9 到 YOLO-v11 [63,64,72] 的更新版本，融合了基于 Transformer 的注意力机制，实现了上下文感知学习，并采用了混合损失函数，例如 CloU。这些改进提升了对纹理织物中细微缺陷的检测能力。然而，这些进步也带来了更高的计算成本，因此它们更适合基于GPU的环境或后检质量控制，而非在线实时检测系统。如表13所示，性能指标，包括平均精度均值（mAP）、检测准确率、处理速度（FPS）和特定缺陷的检测率，全面概述了不同的YOLO变体如何适应各种织物缺陷检测任务[152]。例如，基于YOLO的系统[113,115,117]在检测经纱和纬纱缺陷方面已达到90%以上的准确率，在实时性[154]和缺陷定位精度[155]方面超越了Gabor滤波[153]和小波网络等传统方法。

4.2 速度与准确率的权衡

        影响织物缺陷检测模型选择的最重要因素之一是速度与准确率之间的权衡。 YOLO-v5-n、YOLO-v6-n 和 YOLO-v8-n [73,74,77] 等轻量级模型具有较高的推理速度和中等的精度，因此适用于快速筛选或资源受限的嵌入式系统。相比之下，YOLO-v10-x 和 YOLO-v11-x [80,81] 等大型模型能够实现更高的精度，尤其是在检测复杂或细微的织物缺陷方面，但需要高性能 GPU，并且推理延迟更高。

如表 13 所示，基于 YOLO-v4 [113,117] 和 Mobile-YOLO [115] 的系统实现了较高的检测精度，通常超过 90%。然而，它们是否适合实时部署取决于计算能力和应用限制。在纺织生产线中，平衡检测性能和运行速度仍然至关重要，因为处理速度慢造成的瓶颈会扰乱生产流程。

4.3. 创新在提升织物检测中的作用

        YOLO 近期模型中的几项架构创新显著提升了织物缺陷检测性能，并解决了实际纺织品制造中面临的挑战。高级损失函数（例如完全交并比 (CIoU)）的实现提高了边界框回归精度 [156]，

尤其适用于梭织或针织织物中常见的小型或不规则形状缺陷 [157,158]。基于 Transformer 的注意力机制，尤其是在 YOLO-v9 到 YOLO-v11 中，增强了上下文特征提取，使模型能够从复杂的背景中区分细微缺陷。动态标签分配、自适应缩放和轻量级检测头等创新提高了学习效率，并增强了在高性能和边缘计算环境中的部署就绪性。尽管表 15 中列出了这些进展和实际挑战，但织物缺陷检测的关键挑战仍然包括数据集不平衡、标注成本和可扩展性限制，这些仍然是有效工业应用的障碍 [14,16]。将基于 YOLO 的检测方法集成到高速生产线中时，可扩展性问题依然存在。为了解决这些限制，目前的研究正在探索合成数据的生成、半监督学习、领域自适应以及边缘人工智能的部署。这些技术旨在保持高精度和高效率，同时降低数据依赖性并适应各种实际织物条件。

        未来的发展方向可能是将 YOLO 模型与边缘计算平台 [159] 和物联网 (IoT) 框架 [160] 集成。在工业相机或嵌入式处理器等边缘设备上部署轻量级的 YOLO 变体，可以实现生产线上直接的实时缺陷检测，从而最大限度地减少延迟并降低对集中式计算系统的依赖 [161]。物联网集成可以促进无缝的数据采集和传输，从而在纺织制造中构建智能质量控制生态系统[162]。此外，利用生成对抗网络（GAN）[163]或基于仿真的方法[164]生成的合成数据集，结合领域自适应技术[165]，可以增强模型的泛化能力，并减轻人工标注的负担。这些策略支持构建稳健、可扩展且自适应的织物缺陷检测系统，从而更好地满足现代纺织生产环境不断变化的需求。

5. 结论

        本文对YOLO目标检测框架进行了全面的回顾，追溯了其从YOLO-v1到YOLO-v11的演变历程，并评估了其在织物缺陷检测中的应用。本研究重点介绍了YOLO各版本中取得的关键进展，

包括引入基于Transformer的注意力机制、多尺度特征融合和自适应学习技术。这些创新持续提升了YOLO模型的准确性、速度和泛化能力，使其越来越适用于实际制造环境。早期的YOLO版本（YOLO-v1至v3）主要侧重于实时检测，但在识别细微和重叠缺陷方面遇到了挑战。后续版本（YOLO-v4至v7）引入了改进的特征提取技术、基于锚框的优化和高级损失函数，从而显著提高了缺陷定位的准确性。较新的模型，如 YOLO-v8 至 v11，采用了 Transformer 架构、自注意力机制和自适应分辨率缩放，以增强缺陷检测性能，尤其是在复杂且杂乱的织物纹理中。

        本综述通过对比分析，重点阐述了 YOLO 模型在工业自动化中的实际应用。实施基于 YOLO 的缺陷检测系统已展现出提升质量控制、减少生产停机时间和降低对人工检测依赖的潜力。然而，挑战依然存在，包括数据集有限、跨域泛化困难以及高分辨率织物检测带来的显著计算需求。应对这些挑战需要进一步研究合成数据集生成、用于以隐私为中心的模型训练的联邦学习，以及在资源受限环境下部署边缘 AI 以实现实时缺陷检测。未来的研究重点在于优化 YOLO 模型，使其能够针对特定的织物缺陷进行检测，方法是整合领域自适应学习技术和混合架构，这些混合架构结合了卷积神经网络和基于 Transformer 的网络。开发针对纺织制造业的标准化基准数据集对于推动该领域的发展也至关重要。通过将深度学习的进步与工业应用相结合，基于 YOLO 的织物缺陷检测系统可以显著改变下一代质量保证框架。

缩写词说明

AAT 锚点辅助训练

AI 人工智能

BiCSP 双向跨阶段部分损失函数

BiFPN 双向特征金字塔

BCE 二元交叉熵

CPU 中央处理器

CIoU 完全交并

CNNs 卷积神经网络

CE 交叉熵

CSP 跨阶段部分损失函数

CSPNet 跨阶段部分网络

DBSCAN 基于密度的噪声应用空间聚类

DFL 分布焦点损失函数

FPN 特征金字塔网络

FLOPs 每秒浮点运算次数

GANs 生成对抗网络

GPU 图形处理器

IoT 物联网

mAP 平均精度均值

MSE 均方误差

NMS 非极大值抑制

OD 目标检测

PANets 路径聚合网络

Rep-PAN 重参数化路径聚合网络

SIoU 偏斜交并比

SAM 空间注意力模块

SPP空间金字塔池化

SPPF 空间金字塔池化——快速

SVM 支持向量机

YOLO 你只看一次

参考文献

1. Hassan, S.A.; Beliatis, M.J.; Radziwon, A.; Menciassi, A.; Oddo, C.M. Textile Fabric Defect Detection Using Enhanced Deep Convolutional Neural Network with Safe Human–Robot Collaborative Interaction. Electronics 2024, 13, 4314. [CrossRef] 2. Mahmud, T.; Sikder, J.; Chakma, R.J.; Fardoush, J. Fabric defect detection system. In Proceedings of the 3rd International Conference on Intelligent Computing and Optimization (ICO), Huna Hin, Thailand, 8–9 October 2020; pp. 788–800. 3. Ngan, H.Y.; Pang, G.K.; Yung, N.H. Automated fabric defect detection—A review. Image Vis. Comput. 2011, 29, 442–458. 4. Diwan, T.; Anirudh, G.; Tembhurne, J.V. Object detection using YOLO: Challenges, architectural successors, datasets and applications. Multimed. Tools Appl. 2023, 82, 9243–9275. [CrossRef] [PubMed] 5. Liu, Q.; Wang, C.; Li, Y.; Gao, M.; Li, J. A fabric defect detection method based on deep learning. IEEE Access. 2022, 10, 4284–4296. [CrossRef] 6. Kaur, R.; Singh, S. A comprehensive review of object detection with deep learning. Digit. Signal Process. 2023, 132, 103812. [CrossRef] 7. Liu, C.; Tao, Y.; Liang, J.; Li, K.; Chen, Y. Object detection based on YOLO network. In Proceedings of the IEEE 4th Information Technology and Mechatronics Engineering Conference (ITOEC), Chongqing, China, 14–16 December 2018; pp. 799–803. 8. Mahajan, P.M.; Kolhe, S.R.; Patil, P.M. A review of automatic fabric defect detection techniques. Adv. Comput. Res. 2009, 1, 18–29. 9. Zhao, Z.Q.; Zheng, P.; Xu, S.T.; Wu, X. Object detection with deep learning: A review. IEEE Trans. Neural Netw. Learn. Syst. 2019, 30, 3212–3232. [CrossRef] 10. Ali, M.L.; Zhang, Z. The YOLO Framework: A Comprehensive Review of Evolution, Applications, and Benchmarks in Object Detection. Computers 2024, 13, 336. [CrossRef] 11. Wang, X.; Georganas, N.D.; Petriu, E.M. Fabric texture analysis using computer vision techniques. EEE Trans. Instrum. Meas. 2010, 60, 44–56. 12. Nasim, M.; Mumtaz, R.; Ahmad, M.; Ali, A. Fabric Defect Detection in Real World Manufacturing Using Deep Learning. Information 2024, 15, 476. [CrossRef] 13. Ahmad, T.; Ma, Y.; Yahya, M.; Ahmad, B.; Nazir, S.; Haq, A.U. Object detection through modiffed YOLO neural network. Sci. Program. 2020, 1, 8403262. 14. Rane, N. YOLO and Faster R-CNN Object Detection for Smart Industry 4.0 and Industry 5.0: Applications, Challenges, and Opportunities. 2023. Available online: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4624206 (accessed on 1 April 2025). 15. Divyadevi, R.; Kumar, B.V. Survey of automated fabric inspection in textile industries. In Proceedings of the International Conference on Computer Communication and Informatics (ICCCI), Coimbatore, Tamil Nadu, India, 23–25 January 2019; pp. 1–4. 16. Hussain, M. YOLO-v1 to YOLO-v8, the Rise of YOLO and Its Complementary Nature toward Digital Manufacturing and Industrial Defect Detection. Machines 2023, 11, 677. [CrossRef]

17. Sujee, R.; Shanthosh, D.; Sudharsun, L. Fabric defect detection using YOLOv2 and YOLO v3 tiny. In Proceedings of the Computational Intelligence in Data Science: Third IFIP TC 12 International Conference (ICCIDS), Chennai, India, 20–22 February 2020; pp. 196–204. 18. Malaca, P.; Rocha, L.F.; Gomes, D.; Silva, J.; Veiga, G. Online inspection system based on machine learning techniques: Real case study of fabric textures classiffcation for the automotive industry. J. Intell. Manuf. 2019, 30, 351–361. [CrossRef] 19. Rasheed, A.; Zafar, B.; Rasheed, A.; Ali, N.; Sajid, M.; Dar, S.H.; Habib, U.; Shehryar, T.; Mahmood, M.T. Fabric defect detection using computer vision techniques: A comprehensive review. Math. Probl. Eng. 2020, 1, 8189403. 20. Czimmermann, T.; Ciuti, G.; Milazzo, M.; Chiurazzi, M.; Roccella, S.; Oddo, C.M.; Dario, P. Visual-Based Defect Detection and Classiffcation Approaches for Industrial Applications—A Survey. Sensors 2020, 20, 1459. [CrossRef] 21. Li, C.; Li, J.; Li, Y.; He, L.; Fu, X.; Chen, J. Fabric defect detection in textile manufacturing: A survey of the state of the art. Secur. Commun. Netw. 2021, 1, 9948808. 22. Ahmad, H.M.; Rahimi, A. Deep learning methods for object detection in smart manufacturing: A survey. J. Manuf. Syst. 2022, 64, 181–196. [CrossRef] 23. Neethu Pavithran, C.; Binoy, K.P. Fabric Defect Detection: A Review. In Proceedings of the International Conference Emerging Trends in Engineering (YUKTHI 2023), Calicut, India, 10–12 April 2023. 24. Jha, S.B.; Babiceanu, R.F. Deep CNN-based visual defect detection: Survey of current literature. Comput. Ind. 2023, 148, 103911. 25. Kulkarni, M.; Cholke, P.C.; Vasmatkar, P.; Tambe, S.; Anuse, S.; Telgote, S. Fabric Defect Detection System Using Image Processing. In Proceedings of the 1st International Conference on Cognitive, Green and Ubiquitous Computing (IC-CGU), Bhubaneswar, India, 1–2 March 2024; pp. 1–7. 26. Carrilho, R.; Yaghoubi, E.; Lindo, J.; Hambarde, K.; Proença, H. Toward Automated Fabric Defect Detection: A Survey of Recent Computer Vision Approaches. Electronics 2024, 13, 3728. [CrossRef] 27. Hussain, M. Yolov1 to v8: Unveiling each variant—A comprehensive review of yolo. IEEE Access 2024, 12, 42816–42833. 28. Gupta, A.K.; Seal, A.; Prasad, M.; Khanna, P. Salient Object Detection Techniques in Computer Vision—A Survey. Entropy 2020, 22, 1174. [CrossRef] [PubMed] 29. Pathak, A.R.; Pandey, M.; Rautaray, S. Application of deep learning for object detection. Procedia Comput. Sci. 2018, 132, 1706–1717. [CrossRef] 30. Yao, R.; Lin, G.; Xia, S.; Zhao, J.; Zhou, Y. Video object segmentation and tracking: A survey. ACM Trans. Inte. Syst. Tech. TIST 2020, 11, 1–47. 31. Wang, C.; Yang, H.; Bartz, C.; Meinel, C. Image captioning with deep bidirectional LSTMs. In Proceedings of the 24th ACM International Conference on Multimedia, Amsterdam, The Netherlands, 15–19 October 2016; pp. 988–997. 32. Meimetis, D.; Daramouskas, I.; Perikos, I.; Hatzilygeroudis, I. Real-time multiple object tracking using deep learning methods. Neural Comput. Appl. 2023, 35, 89–118. [CrossRef] 33. Bachute, M.R.; Subhedar, J.M. Autonomous driving architectures: Insights of machine learning and deep learning algorithms. Mach. Learn. Appl. 2021, 6, 100164. [CrossRef] 34. She, Q.; Feng, F.; Hao, X.; Yang, Q.; Lan, C.; Lomonaco, V.; Shi, X.; Wang, Z.; Guo, Y.; Zhang, Y.; et al. Openloris-object: A robotic vision dataset and benchmark for lifelong deep learning. In Proceedings of the International Conference on Robotics and Automation (ICRA), Paris, France, 1 June–31 August 2020; pp. 4767–4773. 35. Zahrawi, M.; Shaalan, K. Improving video surveillance systems in banks using deep learning techniques. Sci. Rep. 2023, 13, 7911. 36. Fukushima, K. Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position. Biol. Cybern. 1980, 36, 193–202. 37. Lee, S.M.; Yoon, S.M.; Cho, H. Human activity recognition from accelerometer data using Convolutional Neural Network. In Proceedings of the International Conference on Big Data and Smart Computing (BIGCOMP), Jeju, Republic of Korea, 13–16 February 2017; pp. 131–134. 38. Jmour, N.; Zayen, S.; Abdelkrim, A. Convolutional neural networks for image classiffcation. In Proceedings of the International Conference on Advanced Systems and Electric Technologies (ICASET), Hammamet, Tunisia, 22–25 March 2018; pp. 397–402. 39. Wu, Y.C.; Yin, F.; Liu, C.L. Improving handwritten Chinese text recognition using neural network language models and convolutional neural network shape models. Pattern Recognit. 2017, 65, 251–264. 40. Cos¸kun, M.; Uçar, A.; Yildirim, Ö.; Demir, Y. Face recognition based on convolutional neural network. In Proceedings of the International Conference on Modern Electrical and Energy Systems (MEES), Kremenchuk, Ukraine, 15–17 November 2017; pp. 376–379. 41. Teng, S.; Kim, J.-Y.; Jeon, S.; Gil, H.-W.; Lyu, J.; Chung, E.H.; Kim, K.S.; Nam, Y. Analyzing Optimal Wearable Motion Sensor Placement for Accurate Classiffcation of Fall Directions. Sensors 2024, 24, 6432. [CrossRef] 42. Park, B.; Lu, R. (Eds.) Hyperspectral Imaging Technology in Food and Agriculture; Springer: New York, NY, USA, 2015; p. 1. 43. Long, Y.; Gong, Y.; Xiao, Z.; Liu, Q. Accurate object localization in remote sensing images based on convolutional neural networks. IEEE Trans. Geos. Remo. Sens. 2017, 55, 2486–2498.

44. Mak, K.L.; Peng, P.; Yiu, K.F.C. Fabric defect detection using morphological fflters. Image Vis. Comput. 2009, 27, 1585–1592. [CrossRef] 45. Liu, B.; Wang, H.; Cao, Z.; Wang, Y.; Tao, L.; Yang, J.; Zhang, K. PRC-Light YOLO: An Efffcient Lightweight Model for Fabric Defect Detection. Appl. Sci. 2024, 14, 938. [CrossRef] 46. Jing, J.; Zhuo, D.; Zhang, H.; Liang, Y.; Zheng, M. Fabric defect detection using the improved YOLOv3 model. J. Eng. Fibers Fabr. 2020, 15, 1558925020908268. [CrossRef] 47. Liu, B.; Zhao, W.; Sun, Q. Study of object detection based on Faster R-CNN. In Proceedings of the Chinese Automation Congress (CAC), Jinan, China, 20–22 October 2017; pp. 6233–6236. 48. Carranza-García, M.; Torres-Mateo, J.; Lara-Benítez, P.; García-Gutiérrez, J. On the Performance of One-Stage and Two-Stage Object Detectors in Autonomous Vehicles Using Camera Data. Remote Sens. 2021, 13, 89. [CrossRef] 49. Ren, S.; He, K.; Girshick, R.; Sun, J. Faster R-CNN: Towards real-time object detection with region proposal networks. IEEE Trans. Patte. Anal. Mach. Intel. 2016, 39, 1137–1149. [CrossRef] [PubMed] 50. Soviany, P.; Ionescu, R.T. Optimizing the trade-off between single-stage and two-stage deep object detectors using image difffculty prediction. In Proceedings of the 20th International Symposium on Symbolic and Numeric Algorithms for Scientiffc Computing (SYNASC), Timisoara, Romana, 20–23 September 2018; pp. 209–214. 51. Zhang, J.; Liu, M.; Shen, D. Detecting anatomical landmarks from limited medical imaging data using two-stage task-oriented deep neural networks. IEEE Trans. Image Process. 2017, 26, 4753–4764. [CrossRef] 52. Sapkota, R.; Qureshi, R.; Flores-Calero, M.; Badgujar, C.; Nepal, U.; Poulose, A.; Zeno, P.; Bhanu Prakash Vaddevolu, U.; Yan, P.; Karkee, M. Yolov10 to Its Genesis: A Decadal and Comprehensive Review of the You Only Look Once Series. 2024. Available online: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4874098 (accessed on 1 April 2025). 53. Gündüz, M.S¸.; Is¸ık, G. A new YOLO-based method for real-time crowd detection from video and performance analysis of YOLO models. J. Real-Time Image Process. 2023, 20, 5. [CrossRef] 54. Zheng, C. Stack-YOLO: A friendly-hardware real-time object detection algorithm. IEEE Access 2023, 11, 62522–62534. [CrossRef] 55. Zhang, Z. Drone-YOLO: An Efffcient Neural Network Method for Target Detection in Drone Images. Drones 2023, 7, 526. [CrossRef] 56. Ma, C.; Fu, Y.; Wang, D.; Guo, R.; Zhao, X.; Fang, J. YOLO-UAV: Object detection method of unmanned aerial vehicle imagery based on efffcient multi-scale feature fusion. IEEE Access 2023, 11, 126857–126878. [CrossRef] 57. Redmon, J. You only look once: Uniffed, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition, Las Vegas, NV, USA, 26 June–1 July 2016; pp. 779–788. 58. Redmon, J.; Farhadi, A. YOLO9000: Better, faster, stronger. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Honolulu, HI, USA, 21–26 July 2017; pp. 7263–7271. 59. Farhadi, A.; Redmon, J. Yolov3: An incremental improvement. Comput. Vis. Pattern Recognit. 2018, 1804, 1–6. 60. Bochkovskiy, A.; Wang, C.Y.; Liao, H.Y.M. Yolov4: Optimal speed and accuracy of object detection. arXiv 2020, arXiv:2004.10934. 61. Li, C.; Li, L.; Jiang, H.; Weng, K.; Geng, Y.; Li, L.; Ke, Z.; Li, Q.; Cheng, M.; Nie, W.; et al. YOLOv6: A single-stage object detection framework for industrial applications. arXiv 2022, arXiv:2209.02976. 62. Wang, C.Y.; Bochkovskiy, A.; Liao, H.Y.M. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, Vancouver Convention Center, British Columbia, Canada, 18–22 June 2023; pp. 7464–7475. 63. Wang, C.Y.; Yeh, I.H.; Mark Liao, H.Y. Yolov9: Learning what you want to learn using programmable gradient information. In Proceedings of the European Conference on Computer Vision, Milan, Italy, 29 September–4 October 2024; pp. 1–21. 64. Wang, A.; Chen, H.; Liu, L.; Chen, K.; Lin, Z.; Han, J.; Ding, G. Yolov10: Real-time end-to-end object detection. arXiv 2024, arXiv:2405.14458. 65. Adarsh, P.; Rathi, P.; Kumar, M. YOLO v3-Tiny: Object Detection and Recognition using one stage improved model. In Proceedings of the 6th International Conference on Advanced Computing and Communication Systems (ICACCS), Tamil Nadu, India, 6–7 March 2020; pp. 687–694. 66. Kang, C.H.; Kim, S.Y. Real-time object detection and segmentation technology: An analysis of the YOLO algorithm. JMST Adv. 2023, 5, 69–76. 67. Everingham, M.; Van Gool, L.; Williams, C.K.; Winn, J.; Zisserman, A. The pascal visual object classes (voc) challenge. Proc. Int. J. Comput. Vis. 2010, 88, 303–338. 68. Lin, T.Y.; Maire, M.; Belongie, S.; Hays, J.; Perona, P.; Ramanan, D.; Dollár, P.; Zitnick, C.L. Microsoft coco: Common objects in context. In Proceedings of the Computer Vision–ECCV 2014: 13th European Conference, Zurich, Switzerland, 6–12 September 2014; Proceedings, part v 13. pp. 740–755. 69. Sinaga, K.P.; Yang, M.S. Unsupervised K-means clustering algorithm. IEEE Access 2020, 8, 80716–80727. 70. DEV Community Is a Community of 2,921,747 Amazing Developers. Available online: https://dev.to/afrozchakure/all-youneed-to-know-about-yolo-v3-you-only-look-once-e4m (accessed on 17 March 2025).

71. Geetha, A.S. YOLOv4: A Breakthrough in Real-Time Object Detection. arXiv 2025, arXiv:2502.04161. 72. Ultralytics Home Page. Available online: https://www.ultralytics.com/ (accessed on 8 January 2025). 73. Ultralytics Home Page. Available online: https://docs.ultralytics.com/models/yolov5/#performance-metrics (accessed on 17 March 2025). 74. Ultralytics Home Page. Available online: https://docs.ultralytics.com/compare/yolov10-vs-yolov6/#model-comparison-table (accessed on 17 March 2025). 75. Ultralytics Home Page. Available online: https://docs.ultralytics.com/models/yolov7/ (accessed on 17 March 2025). 76. Reis, D.; Kupec, J.; Hong, J.; Daoudi, A. Real-time ffying object detection with YOLOv8. arXiv 2023, arXiv:2305.09972. 77. Ultralytics Home Page. Available online: https://docs.ultralytics.com/models/yolov8/#performance-metrics (accessed on 17 March 2025). 78. Ultralytics Home Page. Available online: https://docs.ultralytics.com/compare/yolo11-vs-yolov9/#yolov9-efffciency-andaccuracy-innovations (accessed on 17 March 2025). 79. COCO Dataset. Available online: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml (accessed on 29 January 2025). 80. Ultralytics Home Page. Available online: https://docs.ultralytics.com/compare/yolov10-vs-yolov6/#ideal-use-cases-for-yolov6 -30 (accessed on 17 March 2025). 81. Ultralytics Home Page. Available online: https://docs.ultralytics.com/models/yolo11/#performance-metrics (accessed on 17 March 2025). 82. Ye, K.; Gao, Y.; Ye, X.; Ye, A. DC-YOLO: Improved YOLOv7 Based on Deformable Convolution and Attention Mechanism for Fabric Defect Detection. In Proceedings of the Eleventh International Conference on Advanced Cloud and Big Data (CBD), Danzhou, China, 18–19 December 2023; 162–167. 83. Sekharamantry, P.K.; Melgani, F.; Malacarne, J. Deep Learning-Based Apple Detection with Attention Module and Improved Loss Function in YOLO. Remote Sens. 2023, 15, 1516. [CrossRef] 84. Du, J. Understanding of object detection based on CNN family and YOLO. In Proceedings of the International Conference on Machine Vision and Information Technology (CMVIT), Hong Kong, 23–25 February 2018; Volume 1004, p. 012029. 85. Huang, S.; He, Y.; Chen, X.A. M-YOLO: A Nighttime Vehicle Detection Method Combining Mobilenet v2 and YOLO v3. In Proceedings of the 2nd International Conference on Computer Information and Big Data Applications, Wuhan, China, 26–28 March 2021; Volume 1883, p. 012094. 86. Zheng, Z.; Wang, P.; Liu, W.; Li, J.; Ye, R.; Ren, D. Distance-IoU loss: Faster and better learning for bounding box regression. In Proceedings of the AAAI Conference on Artiffcial Intelligence, New York, NY, USA, 7–12 February 2020; pp. 12993–13000. 87. Guo, C.; Zheng, S.; Cheng, G.; Zhang, Y.; Ding, J. An improved YOLO v4 used for grape detection in unstructured environment. Front. Plant Sci. 2023, 14, 1209910. [CrossRef] [PubMed] 88. Liu, Z.; Wang, S. Broken corn detection based on an adjusted YOLO with focal loss. IEEE Access 2019, 7, 68281–68289. 89. Maji, D.; Nagori, S.; Mathew, M.; Poddar, D. Yolo-pose: Enhancing yolo for multi-person pose estimation using object keypoint similarity loss. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, LA, USA, 18–22 June 2022; pp. 2637–2646. 90. Saenprasert, W.; Tun, E.E.; Hajian, A.; Ruangsang, W.; Aramvith, S. Yolo for small objects in aerial imagery: A performance evaluation. In Proceedings of the 21st International Joint Conference on Computer Science and Software Engineering (JCSSE), Phuket, Thailand, 19–22 June 2024; pp. 720–727. 91. Zou, Z.; Chen, K.; Shi, Z.; Guo, Y.; Ye, J. Object detection in 20 years: A survey. Proc. IEEE 2023, 111, 257–276. 92. Zhang, Y.; Li, L.; Chun, C.; Wen, Y.; Xu, G. Multi-scale feature adaptive fusion model for real-time detection in complex citrus orchard environments. Comput. Electron. Agric. 2024, 219, 108836. 93. Ribés, A.; Benchekroun, N.; Delagnes, T. A Fast Learning-Based Surrogate of Electrical Machines using a Reduced Basis. arXiv 2024, arXiv:2406.18990. 94. Cheng, L. A Highly robust helmet detection algorithm based on YOLO V8 and Transformer. IEEE Access 2024, 111, 130693–130705. 95. Onthoni, A.I.; Sahoo, P.K. Instance Segmentation based Object Detection with Enhanced Path Aggregation Network. In Proceedings of the IEEE Latin American Conference on Computational Intelligence (LA-CCI), Recife, Brazil, 29 October–1 November 2023; pp. 1–6. 96. Chen, J.; Liu, H.; Zhang, Y.; Zhang, D.; Ouyang, H.; Chen, X. A Multiscale Lightweight and Efffcient Model Based on YOLOv7: Applied to Citrus Orchard. Plants 2022, 11, 3260. [CrossRef] [PubMed] 97. Nguyen, D.T.; Nguyen, T.N.; Kim, H.; Lee, H.J. A high-throughput and power-efffcient FPGA implementation of YOLO CNN for object detection. IEEE Trans. Very Large Scale Integr. VLSI Syst. 2019, 27, 1861–1873. 98. Luo, G.; Zhou, Y.; Jin, L.; Sun, X.; Ji, R. Towards end-to-end semi-supervised learning for one-stage object detection. arXiv 2023, arXiv:2302.11299.

99. Yuan, D.; Geng, G.; Shu, X.; Liu, Q.; Chang, X.; He, Z.; Shi, G. Self-supervised discriminative model prediction for visual tracking. Neural Comput. Appl. 2024, 36, 5153–5164. [CrossRef] 100. Liang, S.; Wu, H.; Zhen, L.; Hua, Q.; Garg, S.; Kaddoum, G.; Hassan, M.M.; Yu, K. Edge YOLO: Real-time intelligent object detection system based on edge-cloud cooperation in autonomous vehicles. IEEE Trans. Intell. Transp. Syst. 2022, 23, 25345–25360. [CrossRef] 101. Van Engelen, J.E.; Hoos, H.H. A survey on semi-supervised learning. Mach. Learn. 2020, 109, 373–440. [CrossRef] 102. Tong, L.; Wong, W.K.; Kwong, C.K. Fabric defect detection for apparel industry: A nonlocal sparse representation approach. IEEE Access 2017, 5, 5947–5964. [CrossRef] 103. Sobirov, M.; Sharibaev, N.; Kayumov, A.; Musayev, K. Method of assessment of structural properties of knitted fabrics based on image analysis. In Proceedings of the International Scientiffc Conference on Green Energy, Kyiv, Ukraine, 22–25 October 2024; Volume 587, p. 03020. 104. Carrilho, R.; Hambarde, K.A.; Proença, H. A Novel Dataset for Fabric Defect Detection: Bridging Gaps in Anomaly Detection. Appl. Sci. 2024, 14, 5298. [CrossRef] 105. Xu, C.; Li, W.; Cui, X.; Wang, Z.; Zheng, F.; Zhang, X.; Chen, B. Scarcity-GAN: Scarce data augmentation for defect detection via generative adversarial nets. Neurocomputing 2024, 566, 127061. [CrossRef] 106. Zhao, Z.; Ma, X.; Yang, X.; Wang, F. Research on Fabric Defect Detection Algorithm Based on Improved YOLOv5. In Proceedings of the IEEE 7th Advanced Information Technology, Electronic and Automation Control Conference (IAEAC), Chongqing, China, 15–17 March 2024; pp. 387–391. 107. Liu, J.; Long, X.; Jiang, C.; Liao, W. Multi-feature vision transformer for automatic defect detection and quantiffcation in composites using thermography. NDT E Int. 2024, 143, 103033. [CrossRef] 108. Zhao, Y.; Liu, Q.; Su, H.; Zhang, J.; Ma, H.; Zou, W.; Liu, S. Attention-based Multi-scale Feature Fusion for Efffcient Surface Defect Detection. IEEE Trans. Instr. Meas. 2024, 73, 5013310. 109. Bai, D.; Li, G.; Jiang, D.; Yun, J.; Tao, B.; Jiang, G.; Sun, Y.; Ju, Z. Surface defect detection methods for industrial products with imbalanced samples: A review of progress in the 2020s. Eng. Appl. Artif. Intell. 2024, 130, 107697. [CrossRef] 110. Rodriguez-Vazquez, J.; Prieto-Centeno, I.; Fernandez-Cortizas, M.; Perez-Saura, D.; Molina, M.; Campoy, P. Real-Time Object Detection for Autonomous Solar Farm Inspection via UAVs. Sensors 2024, 24, 777. [CrossRef] 111. Yaohui, Z.; Jia, R.; Yu, L. Yolov7-Tinier: Towards High-Precision and Lightweight Detection of Fabric Defects in Textile Plant. Fibers Polym. 2024, 25, 3549–3562. [CrossRef] 112. Yue, X.; Wang, Q.; He, L.; Li, Y.; Tang, D. Research on Tiny Target Detection Technology of Fabric Defects Based on Improved YOLO. Appl. Sci. 2022, 12, 6823. [CrossRef] 113. Li, Y.; Song, L.; Cai, Y.; Fang, Z.; Tang, M. Research on fabric surface defect detection algorithm based on improved Yolo_v4. Sci. Rep. 2024, 14, 5537. 114. Kawaguchi, M.; Morimitsu, Y.; Watanabe, R.; Ikuta, C.; Ishii, N.; Umeno, M. Fabric Defect Detection System using YOLO. In Proceedings of the 14th IIAI International Congress on Advanced Applied Informatics (IIAI-AAI), Koriyama, Japan, 8–13 July 2023; pp. 277–280. 115. Li, J.; Kang, X. Mobile-YOLO: An accurate and efffcient three-stage cascaded network for online ffberglass fabric defect detection. Eng. Appl. Artif. Intell. 2024, 134, 108690. [CrossRef] 116. Luo, X.; Ni, Q.; Tao, R.; Shi, Y. A lightweight detector based on attention mechanism for fabric defect detection. IEEE Access 2023, 11, 33554–33569. 117. Zhang, C.; Li, T.; Zhang, W. The Detection of Impurity Content in Machine-Picked Seed Cotton Based on Image Processing and Improved YOLO V4. Agronomy 2022, 12, 66. 118. Wan, Y.; Wang, H.; Lu, L.; Lan, X.; Xu, F.; Li, S. An Improved Real-Time Detection Transformer Model for the Intelligent Survey of Trafffc Safety Facilities. Sustainability 2024, 16, 10172. [CrossRef] 119. Vaidwan, H.; Seth, N.; Parihar, A.S.; Singh, K. A study on transformer-based object detection. In Proceedings of the International Conference on Intelligent Technologies (CONIT), Hubli, India, 25–27 June 2021; pp. 1–6. 120. Usamentiaga, R.; Lema, D.G.; Pedrayes, O.D.; Garcia, D.F. Automated surface defect detection in metals: A comparative review of object detection and semantic segmentation using deep learning. IEEE Trans. Ind. Appl. 2022, 58, 4203–4213. [CrossRef] 121. Tianchi AI Dataset. Available online: https://tianchi.aliyun.com/dataset/79336 (accessed on 21 January 2025). 122. TILDA Dataset. Available online: https://universe.roboflow.com/irvin-andersen/tilda-fabric/dataset/2 (accessed on 21 January 2025). 123. KTH-TIPS-I Dataset. Available online: https://www.csc.kth.se/cvap/databases/kth-tips/index.html (accessed on 21 January 2025). 124. Brodatz Textures Dataset. Available online: https://www.ux.uis.no/~tranden/brodatz.html (accessed on 21 January 2025). 125. AITEX Fabric Dataset. Available online: https://www.kaggle.com/datasets/nexuswho/aitex-fabric-image-database (accessed on 21 January 2025). 126. TIDA 400 Dataset. Available online: https://www.kaggle.com/datasets/angelolmg/tilda-400-64x64-patches (accessed on 21 January 2025).

127. HKU Fabric Dataset. Available online: https://ytngan.wordpress.com/codes/ (accessed on 21 January 2025). 128. Fabric Stain Dataset. Available online: https://www.kaggle.com/datasets/priemshpathirana/fabric-stain-dataset (accessed on 21 January 2025). 129. Lusitano Dataset. Available online: https://kailashhambarde.github.io/Lusitano/#dataset (accessed on 21 January 2025). 130. ZJU-Leaper Dataset. Available online: http://www.qaas.zju.edu.cn/zju-leaper/ (accessed on 21 January 2025). 131. YDFID-1 Dataset. Available online: https://github.com/ZHW-AI/YDFID-1/blob/main/README_ENG.md (accessed on 21 January 2025). 132. Mak, K.L.; Peng, P. An automated inspection system for textile fabrics based on Gabor fflters. Robot. Comput.-Integr. Manuf. 2008, 24, 359–369. 133. Jiang, J.; Jin, Z.; Wang, B.; Ma, L.; Cui, Y. A Sobel operator combined with patch statistics algorithm for fabric defect detection. KSII Trans. Internet Inf. Syst. 2020, 14, 687–701. 134. Zhu, L.; Spachos, P. Support vector machine and YOLO for a mobile food grading system. Internet Things 2021, 13, 100359. 135. Bhavatarini, N.; Akash, B.N.; Avinash, A.R.; Akshay, H.M. Object detection and classiffcation of hyperspectral images using K-NN. In Proceedings of the Second International Conference on Electrical, Electronics, Information and Communication Technologies (ICEEICT), Tamil Nadu, India, 5–7 April 2023; pp. 1–6. 136. Jun, X.; Wang, J.; Zhou, J.; Meng, S.; Pan, R.; Gao, W. Fabric defect detection based on a deep convolutional neural network using a two-stage strategy. Text. Res. J. 2021, 91, 130–142. [CrossRef] 137. Rani, S.; Ghai, D.; Kumar, S. Object detection and recognition using contour based edge detection and fast R-CNN. Multimed. Tools Appl. 2022, 81, 42183–42207. [CrossRef] 138. Avudaiamal, R.; Subramaniakuppusamy, K.; Christopher, N.S. YOLO: Roof material detection using aerial imagery. In Proceedings of the International Conference on Computing and Data Science (ICCDS), Chennai, India, 26–27 April 2024; pp. 1–6. 139. Kailasam, K.; Singh, J.; Gopika, G.S.; Sreekrishna, M.; Supriya, S. Supriya, Fabric Defect Detection using Deep Learning. In Proceedings of the 3rd International Conference on Sentiment Analysis and Deep Learning (ICSADL), Bhimdatta, Nepal; 2024; pp. 399–405. 140. Saberironaghi, A.; Ren, J.; El-Gindy, M. Defect Detection Methods for Industrial Products Using Deep Learning Techniques: A Review. Algorithms 2023, 16, 95. [CrossRef] 141. Wang, C.; Zhou, Z.; Chen, Z. An enhanced YOLOv4 model with self-dependent attentive fusion and component randomized mosaic augmentation for metal surface defect detection. IEEE Access 2022, 10, 97758–97766. [CrossRef] 142. Han, J.; Zhang, Z.; Gao, X.; Li, K.; Kang, X. Research on negative obstacle detection method based on image enhancement and improved anchor box YOLO. In Proceedings of the IEEE International Conference on Mechatronics and Automation (ICMA), Guilin, Guangxi, China, 7–10 August 2022; pp. 1216–1221. 143. Sohaib, M.; Arif, M.; Kim, J.-M. Evaluating YOLO Models for Efffcient Crack Detection in Concrete Structures Using Transfer Learning. Buildings 2024, 14, 3928. [CrossRef] 144. Dai, Y.; Liu, W.; Wang, H.; Xie, W.; Long, K. Yolo-former: Marrying yolo and transformer for foreign object detection. IEEE Trans. Instrum. Meas. 2022, 71, 1–14. [CrossRef] 145. Misra, D.; Nalamada, T.; Arasanipalai, A.U.; Hou, Q. Rotate to attend: Convolutional triplet attention module. In Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision, Waikoloa, HI, USA, 1–6 January 2021; pp. 3139–3148. 146. Yang, L.; Zheng, Z.; Wang, J.; Song, S.; Huang, G.; Li, F. Adadet: An adaptive object detection system based on early-exit neural networks. IEEE Trans. Cogn. Dev. Syst. 2023, 16, 332–345. [CrossRef] 147. Lee, J.; Hwang, K.I. YOLO with adaptive frame control for real-time object detection applications. Multimed. Tools Appl. 2022, 81, 36375–36396. [CrossRef] 148. Guo, Q.; Wang, C.; Xiao, D.; Huang, Q. An Enhanced Insect Pest Counter Based on Saliency Map and Improved Non-Maximum Suppression. Insects 2021, 12, 705. [CrossRef] 149. Jain, S.; Seth, G.; Paruthi, A.; Soni, U.; Kumar, G. Synthetic data augmentation for surface defect detection and classiffcation using deep learning. J. Intell. Manuf. 2022, 33, 1007–1020. [CrossRef] 150. Islam, M.R.; Zamil, M.Z.H.; Rayed, M.E.; Kabir, M.M.; Mridha, M.F.; Nishimura, S.; Shin, J. Deep Learning and Computer Vision Techniques for Enhanced Quality Control in Manufacturing Processes. IEEE Access 2024, 12, 121449–121479. 151. Wang, C.Y.; Bochkovskiy, A.; Liao, H.Y.M. Scaled-yolov4: Scaling cross stage partial network. In Proceedings of the IEEE/cvf Conference on Computer Vision and Pattern Recognition, Nashville, TN, USA, 20–25 June 2021; pp. 13029–13038. 152. Zhao, W.; Syafrudin, M.; Fitriyani, N.L. CRAS-YOLO: A novel multi-category vessel detection and classiffcation model based on YOLOv5s algorithm. IEEE Access 2023, 11, 11463–11478. 153. Xu, H.; Liu, C.; Duan, S.; Ren, L.; Cheng, G.; Hao, B. A Fabric Defect Segmentation Model Based on Improved Swin-Unet with Gabor Filter. Appl. Sci. 2023, 13, 11386. [CrossRef] 154. Wu, J.; Xu, X.; Liu, C.; Deng, C.; Shao, X. Lamb wave-based damage detection of composite structures using deep convolutional neural network and continuous wavelet transform. Compos. Struct. 2021, 276, 114590.

155. Huang, Y.; Jing, J.; Wang, Z. Fabric defect segmentation method based on deep learning. IEEE Trans. Instrum. Meas. 2021, 70, 1–15. 156. Cheng, L.; Yi, J.; Chen, A.; Zhang, Y. Fabric defect detection based on separate convolutional UNet. Multimed. Tools Appl. 2023, 82, 3101–3122. 157. Meng, S.; Pan, R.; Gao, W.; Yan, B.; Peng, Y. Automatic recognition of woven fabric structural parameters: A review. Artif. Intell. Rev. 2022, 55, 6345–6387. 158. Zhao, B.; Dong, Z.; Cong, H. A wearable and fully-textile capacitive sensor based on ffat-knitted spacing fabric for human motions detection. Sens. Actuators A Phys. 2022, 340, 113558. [CrossRef] 159. Ros, S.; Tam, P.; Song, I.; Kang, S.; Kim, S. A survey on state-of-the-art experimental simulations for privacy-preserving federated learning in intelligent networking. Electron. Res. Arch. 2024, 32, 1333–1364. 160. Tam, P.; Kim, S. Graph-Based Deep Reinforcement Learning in Edge Cloud Virtualized O-RAN for Sharing Collaborative Learning Workloads. IEEE Trans. Netw. Sci. Eng. 2024, 12, 302–318. 161. Nguyen, T.; Nguyen, H.; Gia, T.N. Exploring the integration of edge computing and blockchain IoT: Principles, architectures, security, and applications. J. Netw. Comput. Appl. 2024, 226, 103884. 162. Li, J.; Wu, R.; Zhang, S.; Chen, Y.; Dong, Z. FASCNet: An Edge-computational Defect Detection Model for Industrial Parts. IEEE Internet Things J. 2023, 11, 6622–6637. 163. Espinàs Salla, M.D.M. Data Analysis and GAN-Based Anonymization of a Database of Lung Cancer Patients. Bachelor’s Thesis, Universitat Politècnica de Catalunya, Barcelona, Spain, 2021. 164. Peres, R.S.; Guedes, M.; Miranda, F.; Barata, J. Simulation-based data augmentation for the quality inspection of structural adhesive with deep learning. IEEE Access 2021, 9, 76532–76541. [CrossRef] 165. Frazier, R.; Zambrano, F.; Pawlak, J.J.; Gonzalez, R. Methods to assess and control dusting and linting in the paper industry: A review. Int. J. Adv. Manuf. Technol. 2022, 119, 5511–5528. [CrossRef]