在布匹生产过程中,由于生产环境不达标、设备故障等多种因素,产生大量带缺陷的布匹,严重影响布匹质量。而目前大多工厂仍使用有经验的工人依靠肉眼对布匹缺陷进行检测及人工标记,该方法存在人工成本高、效率低下等众多问题,故而实现布匹缺陷自动化检测能为企业带来巨大的效益。工业领域缺陷检测方法一般包括传统图像处理算法和深度学习算法,与传统图像处理算法相比,深度学习算法在布匹缺陷检测方面具有更多的优势,但是由于图像分辨率高、部分缺陷样本数量不足、图像背景复杂等问题,基于深度学习的布匹缺陷自动化检测仍存在许多困难。因此,本课题通过对比常用深度学习目标检测算法的优缺点,搭建一种针对高分辨率花色布匹图像的缺陷检测模型,并根据布匹缺陷数据集的特点,提出数据预处理方案及网络模块优化算法。针对布匹图像分辨率高,小尺寸缺陷占高分辨率图像比例小,模型检测精度低的问题,本课题提出分块识别和检测框筛选合并算法。在训练过程中,用裁剪图像对模型进行训练,在检测过程中,将高分辨率图像输入网络模型,模型对输入图像进行分块检测,并将分块检测结果进行筛选合并。由于某些种类缺陷样本量不足,模型难以学习到该部分缺陷的特征,而常用数据扩增方法扩增图像的局部区域变化小,大批量扩增容易出现大量重复和相似数据。本课题结合旋转、镜像等常用的图像处理算法,提出一种多形态数据扩增方法对该种类缺陷进行有效扩增,以避免因数据量不足造成模型过拟合。由于布匹缺陷的尺寸差异大,为了增强主干网络的多尺度特征提取能力,本课题提出基于可切换空洞卷积的残差神经网络,引入可切换空洞卷积层替换主干网络中的部分标准卷积层。最后,为了提高小尺寸缺陷的检测精度,本课题在特征金字塔模块中引入一种基于内容感知特征重组的上采样方法,同时删除特征金字塔模块中不必要的卷积层及网络连接,在不明显改变网络复杂度的前提下提高小目标的检测精度。实验结果表明,本课题所提出的深度学习模型解决了布匹缺陷检测过程中的各种困难,高效地完成了高分辨率花色布匹图像的缺陷检测任务,且检测速度和检测精度满足工业要求。