布匹表面缺陷检测作为纺织企业产品质量控制过程的重要环节,可以有效提升布匹的产品质量和生产效率。由于部署方便、生产线改造成本低等优点,大多数缺陷检测采用机器视觉检测方法,传统的机器视觉检测方法依赖特征提取器的设计,特征提取器决定了机器视觉方法的检测效果,而且人工设计的特征提取器只能提取简单的中底层特征,且依赖数据集。针对当前缺陷检测存在的问题,本文提出了一种基于深度学习的缺陷检测方法,深度学习具有自动学习特征的能力,提取到的特征涵盖底层到高层,对噪声抑制能力更强、鲁棒性好。课题主要研究内容如下:（1）提出了一种加权差分融合分割辅助标注算法。为了充分利用公开数据集提供的模板图像,首先统计缺陷图像和模板图像的亮度信息,计算光照补偿增益,将模板图像的亮度水平调节到和缺陷图像基本一致。然后使用SURF算法提取缺陷图像和模板图像的特征点,利用特征点计算透视变换矩阵对模板图像进行像素对齐。最后对缺陷图像和模板图像求加权差分,通过凸显缺陷区域抑制背景噪声的方式,提高人工标注的效率。（2）提出了一种基于U-Net改进的分割网络模型对布匹表面缺陷进行分割检测。在原网络基础上去掉一个下采样层,保持三次下采样-上采样结构,改善小目标在图像缩放过程中的空间特征信息的丢失问题。设计了一种倒置残差模块,提升特征通道数的同时保持参数量基本不变,又引入注意力机制提升缺陷特征的提取能力。同时采用Dice-Focal混合损失函数作为训练过程中的损失函数,提高缺陷区域的空间损失。（3）搭建实验平台对本文所提出的改进分割网络模型进行实验验证与分析。围绕本文所提出的方法,选择所需的软硬件环境及适当的评价指标。设计了改进策略验证实验以及与其他分割方法的对比试验来验证本文所提方法的有效性。记录实验数据并对其进行可视化处理。实验结果表明,本课题提出的基于深度学习的缺陷检测方法,相较于原U-Net模型,分割精度提升7.3%,参数量减少23%。同时,相较于FCN、Deep Lab等不同分割框架和Mobile Net、Res Net等骨干特征提取网络组合的分割模型,领先于最优算法2.3%,参数量也占优势,满足工业领域对布匹表面缺陷检测分割的需求。该论文有图24幅,表4个,参考文献50篇。