衣食住行对人们的日常生活至关重要,就衣物而言,布匹是制作衣物不可缺少的原材料。在布匹生产过程中,机械操作不当、客观环境等原因让纺织机在生产过程中使布匹表面出现疵点。布匹表面是否存在疵点是决定布匹质量好坏的一个非常关键的因素,但目前许多企业的检测方式还是人工检测,而且工人长期利用肉眼检测会产生视觉疲劳,以至于检测速度下降,不适合实际的生产。因此,寻找比较自动化的技术进行布匹检测显得尤为重要。布匹疵点检测方法大致可分为四大类,分别为统计方法、模型方法、频谱方法以及机器学习方法,但是统计方法、模型方法和频谱方法都存在计算量大以及实时性差等问题,不适合在实际生产中使用。随着现在计算技术的发展,尤其是深度学习的发展为布匹疵点检测提供了更新的、更可靠的技术支持。为了提高布匹疵点检测的性能,本文提出了一种对于特征金字塔进行改进的布匹疵点检测方法。针对布匹疵点检测中瑕疵目标尺度多变、形状不规则、存在较多的小目标等问题,本文将基于深度学习的目标检测算法应用到布匹疵点检测中。Faster R-CNN是基于深度学习的目标检测算法的经典算法之一,FPN是基于Faster R-CNN的改进,构建了多尺度的特征映射,形成特征金字塔结构,将包含较多分类语义信息的高层特征与包含较多位置信息、纹理颜色等信息的低层特征进行融合。实验表明,直接将FPN应用布匹疵点检测中会存在一定的问题,包括目标的漏检、错检等。针对这些问题,本文对FPN进行了一些改进,主要改进点为:针对数据集图像中疵点形状的不规则性,本文引入了可变形卷积,从而适应数据集中形状各不相同的疵点,改善了模型对不同形状瑕疵点的检测能力,增强了模型的泛化性能;同时针对单纯的特征金字塔结构,会存在特征层级的不平衡问题,会使得当前层的特征更加关注相邻层的语义信息,引入了Balanced Feature Pyramid模块,通过对不同级别的特征进行特征融合,再将融合后特征分配到各个层级,使得每层的特征都有来自各层的信息,从而提高检测性能。本文实验数据来自天池比赛布匹疵点检测的数据集,通过实验,Faster R-CNN和FPN在数据集上的mAP值分别为58.61和59.69,本文改进后的算法mAP值为64.30,比Faster R-CNN高了5.69个点,比FPN高了4.61个点,在小目标的检测中,本文改进的算法比FPN提高了2.1个点。实验结果表明,改进后的算法对布匹疵点检测有着良好的效果。