随着中国城市发展速度增快,环境污染随之加剧,由此导致的呼吸道疾病病例增多、细菌病菌等感染几率变大,口罩从之前的医用、工业应用、特种作业应用等发展到成为大众消费用品,口罩的需求逐渐增大。口罩在生产过程中,会出现各式各样的缺陷如耳绳缺失、表面破损等,而现行的口罩标准,均要求口罩外观完好无损。因此,口罩表面缺陷的检测具有一定的实用意义。近年来,深度学习在计算机视觉的许多问题上诸如图像识别、目标定位、人脸识别等取得巨大成功。值得注意的是,工业界目前的主要进展和应用落地,很大程度上依赖于高成本的有监督深度学习。而在很多实际场景中,存在数据获取成本过高、甚至难以获取的问题。因此,本文将探讨在数据较少的情况下,如何利用深度学习技术进行口罩缺陷检测与分类。首先,针对口罩灰度缺陷图像,采用传统基于灰度阈值分割的算法进行缺陷检测,进一步提取图像的灰度共生矩阵特征(Gray Level Co-occurrence Matrix,简称GLCM)与局部二值模式(Local Binary Pattern,简称LBP)特征,然后构建BP(back propagation)神经网络分类器进行缺陷类型分类。缺陷检测算法利用多种图像增强技术进行图像的预处理,从而减少噪声以及背景信息对口罩疵点检测的影响,最终对口罩进行分区域阈值分割。分类算法计算图像四个方向上的GLCM,再分别提取GLCM的四个统计量作为图像的特征,最后构建三层的BP神经网络进行缺陷分类。其次,针对传统BP网络需手工提取图像特征的困难,且疵点样本有限的问题,结合卷积自编码器(Convolutional Auto-Encode,简称CAE),提出基于Fisher准则的栈式去噪自编码器算法(Stacked Denoising Autoencoder based on the Fisher,简称FSDAE)。算法首先从原始图像中截取若干小块图像,采用稀疏自编码器训练,得到小块图像的稀疏性特征;再利用该特征,初始化CAE网络参数,提取原始图像的低维特征;最后将该特征数据送入FSDAE网络进行疵点检测分类。对口罩以及两类织物进行测试,实验结果表明:算法能有效地提高口罩疵点的检测率,且具有一定的普适性。再者,针对彩色口罩缺陷图像难以检测的问题。本文通过分析目前主流卷积网络模型的优缺点,结合迁移学习理论,提出一种基于深度卷积网络的分类检测算法。并采用分块思想提高口罩的识别率,进而将此思想拓展至织物检测当中,获得了良好的检测效果。最后通过分析不同模型,不同硬件之间网络模型预测时间上的差异,为口罩的工业检测提供一定的指导意义。最后,根据整体算法设计了一套完整的检测系统,并总结当前已完成的研究工作,展望课题未来的发展趋势。