人民生活水平的提高使得布匹的需求量越来越大,为了满足这种需求,布匹的生产加工过程正在向着智能制造转型,其中,一个非常重要的环节是布匹缺陷检测。现在广泛使用的人工检测方法的速度和精度已经难以满足生产要求,计算机视觉技术的快速发展为布匹缺陷检测提供了一种更加智能有效的技术途径。布匹缺陷具有尺度不一且小缺陷占比大、长宽比跨度大、类别不平衡三个特点,利用传统图像处理方法人工设计特征表达的方式不能适应其复杂的缺陷特点,所以,本文设计了基于深度学习技术的布匹缺陷检测方法。通过分析基于深度学习的目标检测算法,结合布匹缺陷的特点与检测结果需求,本文采用二阶段的目标检测方法作为基本检测框架。针对布匹缺陷尺度不一且小缺陷占比大的特点,本文设计了基于残差结构的多尺度特征提取方案,通过特征金字塔结构对图像特征进行了多尺度融合,并且在骨干网络内部进行了特征重标定的设计以聚焦关键通道特征,同时融入了可变形卷积操作加强网络对缺陷形态的捕捉能力。为进一步提高特征利用效率,对ROI Pooling的计算方法进行了重新设计并在其过程中叠加了图像的全局特征。同时,本文针对布匹缺陷的特点设计了一种基于改进Faster R-CNN的检测方法,首先利用聚类分析算法对布匹缺陷数据进行聚类分析,针对布匹缺陷长宽比跨度大的特点设计了关键参数anchor,同时使用了非单一阈值的多检测器结构分多次修正检测框。针对布匹缺陷类别不平衡的问题,本文使用经典数据增强方法对数据集进行了扩充,并且基于Focal loss思想重新设计了可以更加关注难分类样本的损失函数,进一步提高检测精度。最后,本文进行了实验验证与结果分析,完成了深度学习模型的训练,对多尺度特征提取结果进行了可视化展示与分析,并对所设计方法的检测精度、检测时间进行了分析总结,验证了本文所提出方法的有效性。