随着工业4.0时代的到来,提高服装产线的产能对于加速纺织行业产业转型具有非常重要的意义,目前我国服装制造业中的质量控制大多采用人工检测的方式,劳动强度大,人力成本高,效率低下。随着机器视觉技术的日趋成熟,部分企业使用了基于机器视觉的疵点检测系统,一定程度上改善了人工检测的不足,但现有的疵点检测系统多是依赖于专家经验来提取疵点特征,其通用性较差。针对以上的局限,本文提出了基于机器视觉和深度学习的布匹疵点检测系统实现方案,通过对深度学习检测模型关键技术的研究,提高疵点检测的精度和准确率。本文的研究内容主要包括以下几个方面:首先,本文阐述了疵点检测视觉系统的组成,通过分析系统各个组成部分不同类型产品的优缺点,完成硬件系统选型。分析常见的几种相机标定方法,在对比传统标定法、自标定法和主动视觉标定法的基础上,重点介绍了相机针孔模型、畸变模型和张正友标定法的原理。最后选择张氏标定法建立相机成像几何模型,求得视觉系统中相机内外部参数,并在实验环境下验证视觉系统的可用性。其次,本文通过对目标检测领域常见的检测模型和优化策略的研究,提出了一种基于改进Cascade R-CNN的布匹疵点检测模型,针对布匹疵点极端的长宽比,在特征提取网络中采用可变形卷积v2来代替传统的标准卷积,并结合布匹特征重新设计边界框的比例。然后采用完全交并比损失作为边界框回归损失函数,获取更精确的目标边界框。实验结果表明:对比改进前的模型,改进后的模型预测边界框更加精确,对小目标的疵点检测效果更好,在准确率上提升了3.57%,平均精确度均值提升了6.45%。最后,本文研究了布匹疵点的特点和难例挖掘的思想,针对布匹疵点种类分布不均,而且小目标较多,导致检测难度较大的困难,在模型训练阶段,对级联的R-CNN网络采用在线难例挖掘的方式,减少了模型对易学样本的过拟合,同时加强了对小目标的训练效果。基于以上的研究成果,本文实现了布匹疵点检测系统的总体构建,通过相关实验对比和验证,证明了该视觉系统在服装产线中具备一定的可行性和应用价值,能够满足布匹疵点的检测需求。