无纺布作为医疗卫生等领域的原材料,其生产的产品与我们的生活息息相关。在无纺布生产制造过程中,由于生产环境和制造工艺等客观因素的影响,在无纺布表面会产生黑点、白点、断裂、划痕等缺陷。目前,在我国大部分的无纺布生产车间中,都是由人工来检测表面缺陷,检测效率和精度都比较低。近年来,深度学习模型成功的应用于目标检测领域,并且将逐步取代传统的机器视觉对产品缺陷的检测。为此,本文基于改进YOLOv3算法对无纺布表面缺陷进行检测,主要研究内容如下:首先,构造无纺布表面缺陷数据集并对原始YOLOv3算法进行分析,在原始YOLOv3算法的基础上对无纺布表面缺陷进行检测,实验结果表明:原始YOLOv3算法在检测无纺布表面小缺陷目标时不敏感,存在漏检现象并且生成预测框的位置不够准确。然后,针对无纺布表面缺陷检测中小缺陷目标存在漏检及识别率不高的问题,本文结合深度学习理论,在原始YOLOv3算法的基础上进行三处改进:改进多尺度特征预测,在网络模型当中生成一个新的特征尺度104×104,来提取更多无纺布小缺陷目标的特征信息;引入K-Means++聚类算法改进聚类先验框中心点的选取,生成更加符合无纺布缺陷数据集的Anchor Box,使预测框的定位更加精准,提高检测精度;进行GIoU损失函数优化,将GIoU的损失函数替代原始损失函数中的定位损失函数,更好的对训练模型进行优化,获得收敛性能更佳的网络模型。在前面部分工作的基础上,分别对三种改进算法和整体改进的YOLOv3算法进行检测实验,结果表明:三种改进方法的检测性能均优于原始YOLOv3算法,整体改进后的YOLOv3算法的m AP为88.05%,比原始YOLOv3算法提高了7.96%,FPS为25,也高于原始YOLOv3算法,检测准确率和检测速度均有很大的提升。