目前化纤丝饼出厂前的质检主要依赖人工目视检测,这种方法不仅生产工序复杂,也会在转运过程中对丝饼造成损坏,极大影响了化纤丝饼的生产效率。毛羽瑕疵因特征微小,在自然光照条件下难以直接观测,需要针对视觉光源系统进行研究。现有丝饼检测算法,主要针对油污、变形等较为明显的问题进行研究,对于丝饼上的微小缺陷特征如“毛羽”和“断线”等,检测算法准确率有待于进一步提升。通用的智能检测设备,未针对丝饼结构特征给出高效、适配的解决方案,容易造成复检、漏检、错检的问题。（1）本研究从智能制造需求出发,以化纤丝饼外观瑕疵检测系统适配性问题为切入点,重点解决丝饼检测系统实际应用过程中存在的问题。对化纤丝饼检测流程中的适配问题进行提取,针对各个功能模块进行设计,搭建适配性框架,综合光学、机械结构、算法等不同领域相关知识以及工厂现有的生产数据提出相应的适配设计策略。（2）通过对机器视觉光源进行适配设计,突出瑕疵特征。使用显微视觉的方法搭建毛羽瑕疵目标检测算法适配设计前导实验平台,捕获丝饼表面瑕疵图像,搭建丝饼瑕疵显微图像数据集,测试明暗场照明方式、光色、亮度、角度对于表面成像的影响,得出适配丝饼瑕疵特征的最佳光源环境,使得毛羽等微小瑕疵与背景对比明显,易于检测。将机器视觉照明方案其迁移到工业检测环境中,设计出前后向融合的多光源照明方法。（3）通过算法适配设计,提高丝饼检测算法的准确率和召回率。对比Center Net、YOLOx、YOLOv4、Faster r-cnn四种目标检测算法检测效果,得出无锚框的Center Net算法效果最优。进一步适配、优化并设计了SE-Center Net模型,针对卷积过程中的微小特征丢失问题,加入了特征融合。针对毛羽分布比较离散的问题,加入可变性卷积层DCNv2。针对通道特征的损失问题,融合SENet的通道注意力机制,调整通道信息权重。在适配显微数据集的算法实验中,SECenter Net目标检测算法面向毛羽、断线两类目标的AP值分别为93.88%和92.86%,验证了算法的有效性。将算法迁移到实际生产中,暗场照明检测的MAP为93.37%,背向照明的MAP为94.83%。使用TRT推理引擎进行模型简化,在保证检测稳定性和准确率的前提下,检测速度提升到3.6ms。（4）通过旋转视觉检测机构适配设计,实现丝饼表面的全覆盖。适配中空圆柱的丝饼形态,设计了可旋转的外观瑕疵图像采集机构,对连接结构和配件进行选配。根据毛羽40μm检测精度,适配相机类型、取景范围、分辨率、相机型号、物距、镜头,并进行实际拍摄测试,最终确认相机运动的角速度。根据结构、形态质量数据进行电机、减速器的适配,完成线面相机组合的多相机旋转采集机构适配设计。