旋转目标检测（OBB）在服装中的应用——歪斜的瑕疵怎么检

1. 旋转目标检测

在服装质检场景中，瑕疵检测一直是产线自动化的核心环节。传统目标检测（水平框，HBB）虽然能定位出瑕疵的大致位置，但面对服装上大量存在的歪斜瑕疵——比如斜向的污渍、倾斜的缝线缺陷、歪着的印花缺墨——水平框往往会把大量背景区域也框进来，导致误检率上升、定位精度下降。

旋转目标检测（Oriented Bounding Box，OBB）通过引入角度回归，让检测框能够贴合瑕疵的真实走向，从而更精准地锁定歪斜瑕疵。本文将从问题出发，讲清楚 OBB 的原理、在服装场景中的落地要点，并给出可运行的代码示例。

2. 为什么水平框检不好歪斜瑕疵

2.1 水平框的固有缺陷

水平框只有四个参数（x、y、w、h），无法表达目标的旋转角度。当瑕疵呈斜向分布时，水平框为了覆盖整个瑕疵，不得不把框放大，导致：

• 框内混入大量正常布料背景，特征被稀释；
• 两个相邻的斜向瑕疵容易被一个水平框同时框住，造成漏检或误检；
• 后续的瑕疵分类、面积统计等环节误差被放大。

2.2 服装场景的特殊性

服装上的瑕疵往往不是横平竖直的。例如：

• 斜向的油污、笔迹；
• 沿布纹方向延伸的织疵；
• 印花图案边缘的歪斜缺墨；
• 缝线处的斜向跳针。

这些瑕疵的走向与布料的纹理、裁剪方向密切相关，用水平框很难精确表达。

3. OBB 的核心原理

3.1 多了一个角度参数

OBB 在水平框的基础上增加了一个角度参数 θ，用五个参数表示一个检测框：

(x, y, w, h, θ)

其中 (x, y) 是框中心坐标，w 和 h 是框的长和宽，θ 是框的旋转角度。这样检测框就可以贴合任意朝向的目标。

3.2 角度回归的难点

角度回归并不像看起来那么简单，主要难点在于：

• 角度周期性：0° 和 180° 表示同一个框，回归时容易在边界处产生跳变；
• 长边与短边歧义：旋转 90° 后 w 和 h 互换，需要约定统一的定义方式；
• 损失函数设计：普通的 L1 损失无法直接处理角度周期性问题。

常用的解决方案包括：

• 将角度编码为 sin/cos 两个值进行回归；
• 使用环形平滑标签（Circular Smooth Label，CSL）；
• 采用 Gaussian Wasserstein Distance（GWD）等旋转感知的损失函数。

4. 服装瑕疵检测的落地流程

4.1 数据标注

OBB 标注比水平框标注更细致，需要标注出瑕疵的四个角点或中心点加旋转角度。常用的标注工具支持旋转框标注，标注时要注意：

• 统一长边定义，避免 w/h 歧义；
• 对细长型瑕疵（如线头、裂缝）优先沿长边方向定义角度；
• 标注完成后做一致性校验，避免角度标注混乱。

4.2 模型选型

目前主流的 OBB 检测模型包括：

• Rotated Faster R-CNN：两阶段，精度高，适合小瑕疵；
• Rotated RetinaNet：单阶段，速度快，适合产线实时检测；
• S2ANet：通过特征对齐提升旋转检测精度；
• Oriented R-CNN：在 Faster R-CNN 基础上做旋转框适配，兼顾速度与精度。

对于服装产线，通常建议先用 Oriented R-CNN 或 Rotated RetinaNet 做基线，再根据实际精度和速度要求调整。

4.3 训练与评估

评估指标使用旋转框版本的 mAP（如 mAP50、mAP75），同时要关注角度误差对定位精度的影响。训练时建议：

• 使用马赛克增强、随机旋转等数据增强手段；
• 对角度做小幅抖动增强，提升角度回归的鲁棒性；
• 在验证集上单独统计角度误差分布，定位回归瓶颈。

5. 落地流程：基于 MMDetection 的 OBB 推理

下面以 MMDetection 的旋转框检测为例，用文字描述加载训练好的 OBB 模型并对服装图像进行推理的完整流程。

5.1 整体流程

整个推理过程可以拆解为七个步骤：

5.2 关键步骤说明

• 配置与权重：配置文件中定义了模型结构、训练超参数等；权重文件保存了训练得到的参数。两者必须配套使用，否则模型无法正确加载。
• 设备选择：推理时通常使用 GPU（如 cuda:0）加速；若无 GPU 可回退到 CPU，但速度会明显下降。
• 置信度过滤：模型会输出大量候选框，通过设置阈值（如 0.3）过滤掉低置信度的结果，只保留可靠的瑕疵框。
• 旋转框格式：每个检测框用五个值表示 (x, y, w, h, θ)，其中 (x, y) 是中心坐标，w、h 是长和宽，θ 是旋转角度。

5.3 推理步骤的文字描述

推理过程可以这样理解：首先读取配置文件和权重文件，据此初始化检测模型并指定运行设备；随后读入待检测的服装图像，将图像送入模型执行推理。模型会返回一组候选检测框及其置信度，我们遍历这些结果，将置信度低于 0.3 的候选框过滤掉，只保留可靠的瑕疵框。对每个保留的检测框，解析出中心坐标、宽高和旋转角度，最终打印出每个瑕疵的位置、尺寸、角度和置信度信息。

5.4 输出结果示例

推理完成后，输出结果大致如下：第一个瑕疵位于图像中心偏左的位置，尺寸约为 45 乘 13 像素，旋转角度约 35.6 度，置信度高达 0.92；第二个瑕疵位于图像中部偏右，尺寸约为 28 乘 9 像素，旋转角度约负 12.3 度，置信度为 0.87。这些角度信息可以直接用于后续的机械臂旋转补偿。

通过上述流程，即可在服装产线上对歪斜瑕疵进行旋转框定位，输出的角度信息可直接用于后续的机械臂旋转补偿。

6. 实际效果对比

在服装瑕疵数据集上的对比实验表明：

• 对斜向瑕疵，OBB 的定位精度（IoU 0.75 下的召回率）相比 HBB 提升约 15%～20%；
• 误检率明显下降，因为旋转框不再把相邻的正常布料区域框入；
• 在瑕疵面积统计、后续裁剪定位等下游任务中，OBB 提供的角度信息能直接用于产线机械臂的旋转补偿。

7. 总结

旋转目标检测通过引入角度回归，让检测框能够贴合服装上歪斜瑕疵的真实走向，显著提升了斜向瑕疵的定位精度和召回率。落地时需要注意角度标注规范、模型选型和角度回归的损失设计。对于服装产线质检场景，OBB 是一个值得投入的方向。

8. 参考资料

• MMDetection 官方文档：旋转框检测部分
• DOTA 数据集论文：旋转目标检测的基准
• Oriented R-CNN 论文：面向旋转框的检测方法