随着大数据、云计算等新兴技术的出现,许多纺织企业致力于转型于打造智能制造的信息化生产车间,实现人、机器与物料的高效配合,从而提高生产效率,提升企业效益。织物质量检测作为纺织企业生产过程中不可避免的重要步骤,诸多企业的针对布匹的检测方法仍然停留在依靠工人目视检测的传统模式。传统模式在实际检测中存在工人检测质量不稳定,检测时间少等缺点,无法满足纺织企业产业升级的需求。由于纺织企业自动化发展需求的日益迫切,部分企业尝试使用计算机视觉的方法解决瑕疵检测问题,但基于数字图像处理方法需要根据织物瑕疵特征人工设计特征检测算法,其检测效果依赖于现场调试,对于纹理背景繁复的织物仍存在漏检和误检的问题,难以大规模部署在生产现场中。根据上述问题,本文利用卷积神经网络自动设计并提取特征的特性,为纺织物产品质量检测环节提出了一种基于深度学习的织物瑕疵检测方法以及云平台实现。本文主要研究了以下几点内容:1.分析印花织物在生产过程中常见瑕疵并建立数据集。通过实地考察工厂生产与检测环节,总结出13种常见的印花织物瑕疵类型,分析各类瑕疵形成原因和不同瑕疵的形状及颜色特点。在此基础上,利用公开数据集从工业现场拍摄的布匹瑕疵样本图片构建训练数据集。分析数据集中原始织物瑕疵样本类别分布和边界框分布情况,针对其存在的类别不平衡分布和小样本过多现象通过使用分割瑕疵图片和修改标注的方式进行改进,最后将修改后的数据集分割成训练集和测试集。2.为了提高模型检测效率,在一阶段检测网络RetinaNet基础上从网络结构和目标预测方法的角度出发,构建改进的SABL RetinaNet织物瑕疵检测与分类模型,并以此提高算法识别和定位织物瑕疵的准确性。为了提高模型检测效率,使用RepVGG作为的特征提取网络,结合多分支网络结构特征提取能力强和单分支网络推理速度快的优点,在网络训练和部署阶段使用不同的模型结构。通过设计实验分析特征金字塔各部分组件的功能以及设计理念,重新设计了RetianNet的特征金字塔网络,将其命名为RepFPN。RepFPN结合注意力机制模块对不同层级输出的特征进行自适应加权,并将RepVGG模块嵌入特征金字塔网络中构建CSPRepVGG模块增加网络的感受野,使其能够输出响应显著的多尺度特征。此外,针对RetinaNet和FCOS等一阶段目标检测模型在检测织物瑕疵区域存在定位效果不佳的问题,使用基于侧边感知的二阶段定位方法SABL以提高瑕疵的定位效果。3.之后介绍模型训练配置,引入模型评价指标,完成论文中涉及的各项对比实验,比较SABL RetinaNet与其他网络模型在同一评价指标下的性能表现,取得了COCO mAP 40.1%,类平均准确率69.6%的性能。完成模型训练后,统计分析测试集结果,得到模型的类别混淆矩阵和P-R曲线,并对比了同一检测样本在不同模型上的性能表现,验证SABL RetinaNet的有效性。在模型优化上。利用结构重参数化方法优化SABL RetinaNet的检测速度。4.以提出的深度学习检测模型为核心,阐述织物生产管理云平台系统设计需求和总体设计方法,详细地设计云平台中各功能模块的设计细节与实现效果,并设计了云端检测服务的部署方案。最后对云平台和各模块进行系统测试,验证系统的可靠性。