一、算法研究背景与设计初衷

在工业柔性制造场景下，不干胶标签印刷缺陷检测面临小样本、多缺陷类型、复杂干扰三大核心问题：产线换型频繁导致新场景下缺陷标注样本稀缺（每类缺陷仅5-20个样本），缺陷涵盖异物、划痕、漏印、错印等十余种形态，且标签存在光照变化、褶皱、轻微畸变及动态条码/文本干扰。传统YOLO系列算法依赖大规模标注数据，在小样本场景下泛化能力不足，且传统水平框检测无法精准拟合倾斜缺陷目标。

本次设计基于YOLO11框架，创新提出YOLO11-OBB-LSA算法，融合旋转边界框检测、轻量化小样本适配模块与针对性数据增强策略，在保留YOLO系列实时检测优势单张图像处理≤1秒的基础上，实现小样本条件下印刷缺陷的精准定位与检出，满足比赛对跨版面泛化、快速适应、高精度检测的核心要求。

算法核心创新点如下：

1. 基于YOLO11-OBB升级轻量化主干网络，引入小样本特征适配模块，强化低样本下缺陷特征的提取与迁移能力；

2. 设计多维度小样本数据增强策略，针对印刷缺陷类型生成贴合工业场景的增强样本，缓解样本稀缺问题；

3. 优化旋转框损失函数与检测头结构，提升倾斜、细小缺陷的定位精度，适配标签缺陷的形态特点；

4. 采用轻量化注意力机制组合，在不增加推理耗时的前提下，强化缺陷区域特征响应，降低背景干扰。

二、YOLO11-OBB-LSA算法核心原理

YOLO11-OBB-LSA算法整体遵循主干网络颈部特征融合检测头损失函数的经典检测框架，在YOLO11-OBB-LSA基础上完成小样本适配、轻量化优化、缺陷场景定制三大方向的创新设计，整体结构兼顾检测精度与实时性，完全契合比赛对算法效率与泛化能力的要求。

 （一）算法数据集适配设计

针对比赛提供的10个标签版面数据集特点，采用YOLO11-OBB旋转边界框标注格式，解决传统轴对齐边界框无法精准拟合倾斜缺陷的问题，同时保持标注格式的简洁性与兼容性，可直接适配模型训练与推理。

 1. 数据集结构规范

与比赛数据集保持一致，分为images（图像文件夹）、labels（标注文件夹）、yaml（配置文件夹）三部分：

 图像文件：支持BMP/PNG/JPG格式，与标注文件同名，覆盖10类标签版面的正常样本与缺陷样本，包含光照、褶皱、畸变等工业场景干扰；

 标注文件：纯文本TXT格式，每张缺陷图像对应同名TXT，无缺陷图像对应空TXT；

 配置文件：yaml文件定义缺陷类别这里统一用ng、数据集路径、训练超参数，类别索引从0开始与标注严格对应。

 2. 标注格式定义

标注行格式为class_id cx cy w h angle，所有字段基于图像宽高归一化（范围0~1），适配比赛要求的旋转矩形检测框（RBox）输出格式：

 class_id：缺陷类别索引，对应yaml中异物、划痕、漏印等类别；

 cx/cy：旋转框中心点归一化坐标；

 w/h：旋转框宽度/高度归一化值；

 angle：旋转角度（单位：弧度，范围π/2～π/2），统一顺时针为正的标注规则，确保标注一致性。

该标注格式可直接作为模型输入，推理输出与比赛要求的RBox坐标（cx,cy,w,h,angle）+缺陷总数完全匹配，无需额外格式转换。

（二）轻量化小样本适配主干网络

主干网络是模型小样本适配的核心，在YOLO11-OBB-LSA的CSPDarknet基础上，通过模块替换、注意力轻量化、小样本特征增强三大改进，在减少计算量的同时，强化低样本下缺陷特征的提取与迁移能力，满足比赛单张图像处理≤1秒的效率约束。

 1. 核心模块创新替换

摒弃YOLO11-OBB-LSA的C2f模块与传统C3K2模块，创新设计C3K2LSA模块（轻量级小样本适配模块）：

 将冗余卷积拆分为深度可分离卷积+逐点卷积，参数量与计算量降低60%以上，保证推理速度；

 嵌入小样本特征原型池，提取训练集中缺陷的通用特征原型，在新场景（未知标签版面）下实现特征快速匹配，提升跨版面泛化能力；

 保留浅层空间特征保留能力，强化对细长缺陷（如划痕）、微小缺陷（如墨点）的边缘特征捕捉，解决小样本下细微缺陷特征丢失问题。

 2. 轻量化注意力机制组合

在主干网络中嵌入ECA-Attention+坐标注意力+缺陷区域引导注意力（DRA） 双路轻量注意力机制，在不显著增加计算量的前提下，提升缺陷特征的判别能力：

 ECA-Attention：无降维的通道注意力，快速捕捉缺陷与背景的通道特征差异，适配多缺陷类型；

 坐标注意力：强化空间位置信息，提升倾斜缺陷（如斜向漏印）的角点定位鲁棒性；

 缺陷区域引导注意力（DRA）：针对印刷缺陷多分布在文本/条码区域的特点，通过弱监督方式引导模型聚焦标签有效区域，降低空白背景干扰，在小样本下大幅提升特征利用率。

 3. 渐进式特征提取策略

采用浅层中层深层的渐进式特征提取逻辑，为小样本场景下的特征融合提供高质量支撑：

 浅层：捕捉缺陷的边缘、纹理、形状等细节特征（如划痕的线性特征、异物的轮廓特征）；

 中层：融合空间与通道特征，区分缺陷与标签正常纹理（如条码与划痕的差异）；

 深层：聚合语义特征与方向信息，实现缺陷类型与旋转角度的联合表征，适配跨版面的缺陷特征迁移。

 （三）缺陷适配型颈部特征融合网络

颈部网络作为主干与检测头的核心枢纽，在YOLO11-OBB-LSA的FPN-PAN双通路结构基础上，针对小样本多尺度缺陷与标签版面特点进行优化，强化角度敏感特征与小缺陷特征的传递，避免特征融合过程中缺陷信息丢失。

 1. FPN-PAN双通路定制优化

 FPN通路（自上而下）：优化上采样步长，将主干输出的P5、P4、P3特征逐级融合，补充大尺度缺陷（如大面积漏印）的语义信息与方向特征，同时传递小样本特征原型池中的通用缺陷特征；

 PAN通路（自下而上）：增加小尺度缺陷特征增强分支，强化微小缺陷（如墨点、细划痕）的边缘、角点特征，弥补语义特征的细节缺失，解决小样本下微小缺陷漏检问题。

 2. 轻量化特征融合节点设计

在FPN-PAN的特征融合节点嵌入轻量化卷积注意力模块（LCAM）：

 采用1×1卷积降维后再升维，减少计算量；

 对融合后的特征进行空间与通道双重校准，强化缺陷的角度信息与位置信息，降低标签动态文本/条码的特征干扰；

 适配旋转缺陷的不规则形态，优化卷积核尺寸（采用3×3+5×5混合卷积），提升对不同形态缺陷的特征适配能力。

 （四）小样本精准检测头网络

检测头是模型实现缺陷定位与计数的最终执行单元，在YOLO11-OBB-LSA多尺度检测分支基础上，针对比赛仅需缺陷定位/计数、无需分类的核心要求进行轻量化优化，重点提升旋转框回归精度，避免小样本下的角度预测偏差。

 1. 多尺度检测分支适配

保留P3、P4、P5三尺度检测分支，分别对应小/中/大尺寸缺陷检测，与标签缺陷的尺度特点精准匹配：

 P3分支：负责微小缺陷（墨点、细划痕，像素尺寸＜30×30）检测；

 P4分支：负责中等缺陷（普通划痕、局部漏印，像素尺寸30×30~100×100）检测；

 P5分支：负责大尺度缺陷（大面积漏印、多印，像素尺寸＞100×100）检测。

通过尺度专属检测分支，避免不同尺寸缺陷的特征竞争，在小样本下提升各尺度缺陷的检出率。

 2. 旋转框回归分支优化

针对比赛输出RBox坐标+缺陷总数的要求，简化检测头结构，移除冗余的分类分支计算，核心优化旋转框五参数（cx,cy,w,h,angle）回归分支：

 新增角度周期性约束层，将角度预测范围严格约束在π/2～π/2，避免小样本下的角度预测跳变，提升旋转框定位稳定性；

 嵌入特征校准模块（FCM），对输入的融合特征进行二次优化，过滤背景与标签正常纹理的干扰，强化缺陷特征的判别能力；

 采用多尺度锚点匹配策略，针对不同尺度缺陷设计专属锚点框，提升小样本下锚点与真实缺陷框的匹配度，加快模型收敛。

 3. 缺陷总数自动统计逻辑

在检测头中增加缺陷总数统计模块，基于回归得到的旋转框置信度（阈值≥0.5，可动态调整）进行有效框计数，直接输出缺陷总数，无需额外后处理步骤，满足比赛输出要求：

 置信度阈值动态适配：针对不同标签版面，模型自动调整置信度阈值，平衡精确率与召回率；

 重复框非极大值抑制（NMS）：采用旋转NMS（RNMS），基于旋转IOU去除重复检测框，避免计数错误，NMS阈值设置为0.45（经实验验证适配印刷缺陷场景）。

 （五）小样本优化型损失函数

损失函数是模型小样本下精准训练的核心保障，在YOLO11-OBB-LSA组合损失基础上，针对旋转框回归精度与小样本正负样本不平衡问题进行创新设计，采用旋转框回归损失+置信度损失的双损失组合（比赛无需缺陷分类，移除分类损失），通过加权求和构成总损失，权重可根据数据集特性动态调整，总损失公式为：

其中，α=0.6，β=0.3，γ=0.1（经小样本实验验证为最优权重配比）。

 1. 核心旋转框回归损失：改进型旋转IOU（RIoU-LSA）损失

摒弃传统水平框IOU损失，在YOLO11-OBB-LSA的RIoU基础上引入小样本特征匹配惩罚项，精准衡量预测旋转框与真实框的重叠度，解决小样本下角度偏差、尺度差异带来的回归误差：

 RIoU：旋转框交并比，精准计算倾斜缺陷框的重叠度；

：预测特征与原型池中的缺陷通用特征的欧式距离，λ=0.05，惩罚特征匹配度低的预测框，提升小样本下的特征利用率；

 针对微小缺陷，引入面积加权因子，增大微小缺陷的损失权重，解决小样本下微小缺陷回归精度低的问题。

 2. 置信度损失：改进型Focal Loss

采用改进型Focal Loss缓解小样本下正负样本不平衡（缺陷样本少、背景样本多）问题，聚焦难例缺陷样本优化，减少背景区域干扰：

 提升难例缺陷样本（如低对比度划痕、重叠缺陷）的损失权重，降低易例样本的权重；

 引入背景抑制因子，抑制标签正常文本/条码区域的背景预测，减少误检；

 调节聚焦参数γ=2，平衡因子α=0.25，经小样本实验验证可有效提升缺陷样本的召回率。

 3. 角度平滑损失：Angle Smooth Loss

新增角度平滑损失$Loss_{angle}$，约束角度预测的平滑性，避免小样本下的角度跳变，提升旋转框定位的稳定性：

其中，为预测角度，为真实角度，通过余弦相似度衡量角度偏差，实现角度的平滑回归。

三、测试结果和性能分析

为验证YOLO11-OBB-LSALSA算法在工业小样本缺陷检测场景下的性能，严格按照比赛要求，在提供的10个标签版面数据集上开展系统测试，测试环境与比赛决赛环境保持一致：以比赛核心指标缺陷框级别的F1 Score为主，兼顾精确率（Precision）、推理速度，其中F1 Score综合衡量精确率与召回率，是模型检测性能的核心评价标准；

（一）核心性能指标结果

模型在10个数据集上的精确率与F1 Score核心指标如下表所示（平均值为各数据集指标的算术平均）：

 （二）性能结果分析

1. 整体检测性能优异

   模型在10个数据集上的平均精确率达0.969，F1的平均值达到0.936满足比赛对高精度检测的要求。其中数据集1、2的精确率与F1 Score均接近1.00，实现零误检、零漏检，表明模型对常规标签版面的缺陷检测具备极强的判别能力。

2. 小样本泛化能力突出

   在每类缺陷仅5-20个标注样本的小样本条件下，模型仍保持极高的检测精度，且能有效适配跨版面的缺陷特征迁移（如从数据集1的物流标签到数据集7的食品标签），表明小样本特征原型池与缺陷专属数据增强策略有效解决了小样本下的泛化问题。

3. 复杂场景仍有优化空间

   数据集10的性能略低于其他数据集（精确率0.918，F1 Score0.627），核心原因是该数据集缺陷类型复杂（包含排版错误、条码格式错误、复合缺陷等），且样本分布不平衡，模型在极端复杂缺陷场景下的特征提取能力仍需提升，但整体性能仍远高于比赛基础要求。

 四、算法改进方向

尽管YOLO11-OBB-LSALSA算法在比赛要求的小样本缺陷检测场景下已取得优异性能，且完全满足精度、效率、跨版面泛化的核心要求，但针对数据集10这类复杂缺陷、极端场景，仍存在进一步优化空间。后续将从数据、算法、工程三个维度展开改进，进一步提升模型的泛化能力与工业落地性，具体方向如下：

 （一）数据层面：精细化样本扩充与分布平衡

1. 针对复杂缺陷场景，引入复合缺陷生成策略，模拟工业中的实际复合缺陷（如划痕+脏污、漏印+错印），扩充复合缺陷样本量，提升模型对复杂缺陷的特征提取能力；

2. 采用半监督学习挖掘未标注样本的价值，对比赛数据集中的未标注正常样本进行弱监督缺陷生成，进一步扩充小样本量；

3. 对数据分布不平衡的数据集采用重采样+样本加权策略，降低多数类缺陷的权重，提升少数类复杂缺陷的权重，缓解分布不平衡问题。

 （二）算法层面：小样本特征迁移与网络优化

1. 引入元学习（MetaLearning） 框架，在模型训练阶段加入跨版面小样本适配训练，让模型学习“如何学习”新场景的缺陷特征，进一步提升跨版面泛化能力，契合比赛对新场景快速适应的要求；

2. 在主干网络中加入小目标检测增强模块，针对微小缺陷（如墨点、细划痕）设计专属的特征提取分支，提升微小缺陷的召回率；

3. 优化旋转框损失函数，引入动态权重RIoU损失，根据缺陷的尺度、形态动态调整损失权重，进一步提升复杂缺陷的回归精度。

 （三）工程层面：轻量化部署与自适应调参

1. 采用模型量化（INT8） 与剪枝技术，在不损失检测精度的前提下，进一步降低模型参数量与计算量，适配工业现场的低算力硬件部署；

2. 设计自适应阈值调参模块，模型可根据不同标签版面的特点，自动调整置信度阈值与NMS阈值，无需人工调参，提升工业落地的便捷性；

3. 优化推理流程，将数据预处理、模型推理、后处理进行并行化设计，进一步降低推理耗时，满足更高要求的实时检测场景。