随着纺织行业的高速发展以及人民生活质量的提高,对纺织品的质量检测已逐渐成为行业内关注的焦点。现有检测算法存在普适性差的问题,即一种检测算法只能适用于一种织物,极大地增加了检测软件的开发难度和成本。本课题将迁移学习的方法应用到织物缺陷检测中,不仅能够克服当前织物缺陷检测算法普适性差的问题,而且适用于小样本图片的检测。主要工作包括以下几个方面:(1)介绍织物布面缺陷检测的研究背景及意义,并将国内外对织物布面缺陷检测的研究划分为:基于传统图像处理算法、传统机器学习算法、大数据集深度学习算法三个阶段。针对当前深度学习算法中存在的不足之处,提出基于迁移学习的织物布面缺陷检测算法。(2)将迁移学习和深度学习相结合,采用基于深度迁移学习的电子布缺陷检测和分类方法。该方法主要是利用迁移学习的思想对深度学习模型ResNet进行改进,保留特征提取部分,使其具有与原模型相同的特征提取能力,在分类器部分重新设计了由归一化层、DropOut层、激活层、全连接层等组成的新分类器,将特征提取部分和新分类器组合得到了新网络。将该网络应用到电子布缺陷样本集上训练和测试,检测准确率可达到99.1%,同时能够满足工业现场的实时性要求。(3)针对当前织物缺陷检测算法普适性差的问题,将深度学习、对抗学习和迁移学习相结合,提出了一种基于改进DANN网络的织物缺陷检测算法。该检测算法在DANN网络的基础上,增强了网络的特征提取能力,解决了在源域和目标域特征不相似情况下网络表现能力差的问题。通过使用网络结构更深的ResNet50,在原网络中添加MK-MMD层来为目标域特征赋予不同的权重,对原网络加以改进,得到了MMD-DANN网络。最后在白坯布缺陷样本集、色织物缺陷样本集、电子布缺陷样本集上分别对DANN网络和MMD-DANN网络进行测试,实验结果表明,相比于DANN网络,MMD-DANN网络在三个缺陷样本集上的检测准确率提升了5%左右。本文图22幅,表7个,参考文献82篇。