近些年来,各种高传染,高致病性公共卫生问题频发,从2014年非洲爆发的埃博拉病毒到2019年底蔓延全球的新型冠状病毒,无一不极大的危害了人类社会的发展以及市民的身体健康。为了获得足够的防护,各种医用卫生用品的需求量激增,据统计,新冠肺炎爆发期间,国内的口罩单日产量可达7600万只,其数量十分庞大,却依旧无法完全满足国内需求。不难发现,在我国口罩等个人卫生防护用品的生产占据着很大的市场,因此围绕着相关产品的生产过程进行的学术研究和项目开发有着极其重要的意义与价值,本文基于此考虑,将研究重点聚焦于无纺布的异物缺陷检测上。无纺布是口罩,手术帽等一次性医用耗材的生产原料,由于运输过程和保存环境无法完全保证纯净,因此其表面可能存在一些异物缺陷,本文特指头发和虫子两类缺陷。生产企业需要将这些异物缺陷筛除,否则后续产品的品质将受到极大的影响,并造成巨大的经济损失。过去企业生产通常使用传统的人工目检方式进行缺陷的检测,但这种方式效率低,精度低且会花费较高的人工费用,目前已渐渐被企业淘汰。本文基于以上现状,同时针对无纺布缺陷的特性,分别提出基于传统机器学习和深度学习的无纺布缺陷检测算法,并设计了一套有效的硬件和软件平台,实现了对无纺布缺陷的在线自动检测。本系统经过一年多的实际运行和后期修改维护,其稳定性,准确性,实时性等指标已完全符合企业生产要求。本文主要研究内容如下:基于计算机视觉与机器学习知识,提出基于最优Gabor滤波器的无纺布缺陷检测机器学习算法,分别对虫子和头发缺陷图片使用最大一维熵和最大方差选取最优Gabor滤波器的方向和频率尺度,通过计算无纺布图像缺陷的最小外接矩形的长度,宽度,缺陷占空比,图像能量,熵的参数构建特征向量,构造自制无纺布缺陷数据集,训练XGBoost模型,在测试集上得到了0.824的F1值。基于深度学习知识,提出基于MobileNet-V2网络模型的无纺布缺陷检测方法,制备无纺布缺陷数据集进行模型训练,针对制备过程中出现的训练数据过少问题,使用图像旋转,平移等图像处理方式和人工制造缺陷方式进行数据增强,利用制备好的数据集,使用预训练参数进行MobileNet-V2模型的调优。实验结果证明该缺陷检测方法在有效减少计算量的同时,可以保证较高的检测精确率和很好的实时性。在无纺布缺陷检测系统开发方面,开发了并设计了一套完整的无纺布缺陷检测系统,整套系统可以实现无纺布图像的自动采集,缺陷自动检测,并根据缺陷检测结果控制执行机构进行停机,实现对无纺布缺陷的筛出。