随着纺织业的快速发展和人工智能的飞速进步,人工智能已经能达到甚至超过人眼的识别能力了。而经济快速发展所带来的人力成本的上升,使得使用机器来代替人力进行布匹瑕疵的检测变得更为合适和必要,有助于降低生产成本和提高产品的质量。目前基于视觉瑕疵检测已经成为研究的热点。但是随着设备成本价格较高,阻碍了这些前沿的技术的落地。因此,本文的主要目标是使用嵌入式设备进行瑕疵检测,同时做到实时的目标检测的效果。从而促进算法的落地与现场的应用。本文将利用剪枝和量化以及知识蒸馏的手段对目标检测算法进行加速和压缩,然后对模型的结构对应硬件进行适配,使其推理速度更高。最后选用合适的边缘计算设备进行了整个系统的构建和测试,并证明了该方案能达到预设的目标。首先,介绍研究的背景和要求,并介绍了目前研究的现状,以及检测设备的实际状况,并对采集了一份3种布料各5种瑕疵的训练数据并对其进行了目标检测类型的标注。另外还介绍了本文的实验环境和基本的应用情况。其次,根据实时检测的目标,对比了不同的目标检测的算法,并对其网络结构进行了探讨。然后对模型压缩的方法进行了对比,选用了结构剪枝的方法。然后对模型加速的方法进行了讨论,对比了低秩分解等方法。再使用了min-max的量化方法和基于KL散度的方法来进行量化,并对比了其优劣。针对剪枝和量化带来的精度损失,使用了改进的知识蒸馏,将其改造成适应目标检测的蒸馏的方法。鉴于不同布料的同种瑕疵具有较强的相似性,因此使用知识蒸馏模型来学习其中的相互联系的信息,从而提高模型的精度,能一定程度的抵消模型压缩带来的精度损失。最后,对上述的理论和改进进行了实验,证明了该方案能达到48FPS的实际检测速度,并基于QT设计了一套可视化的人际交互界面。经过测试,该系统有成本低、低功耗、精度性能可以满足一般的生产需求,具有一定应用前景。