随着社会的发展,毛巾织物纺织品行业在国民生活中倍受关注,大家不再单纯关注毛巾织物的功能属性,而对织物的品质层次、美观程度提出了更高的要求。毛巾织物瑕疵检测如果单纯通过人工检测完成,很容易出现漏检、误检的问题,而且人工检测耗时费力,还会增大生产成本。因此,开发毛巾织物瑕疵检测的自动化设备是企业提高竞争能力的必然选择。本文以实际工业生产的毛巾织物为背景,以深度学习算法为基础,结合机器视觉完成对毛巾织物瑕疵图像的采集、标注及分类。具体研究工作包含以下几点:（1）本研究以实际生产为背景,采用工业生产中瑕疵毛巾织物作为检测样本,由于在学术领域并没有统一、标准的数据集,因此,本研究自行搭建实验平台,通过反复调节光源强度、相机角度,并采集多种毛巾,断经断纬、毛丝等多类型瑕疵图像,确保样本的多样性,并经手动标记完成自制数据集,用来训练深度学习网络,并验证算法的可用性。（2）考虑到双阶段目标检测算法在样本不太均衡时,检测精度也能达到较高效果,本文先采用双阶段目标检测算法Faster R-CNN作为深度学习网络。结合实际毛巾表面瑕疵中小目标较多,本文对算法的特征提取部分做了针对性改进。首先,将特征提取网络Res Net替换为对特征提取更加细粒的Res2Net网络,增大网络的感受野,为增强特征图的表达能力,在卷积层后加入通道注意力模块。其次,考虑到Faster R-CNN经过多层卷积,对底层的语义信息丢失较多,本文结合FPN结构,将不同层的语义信息进行特征融合,进一步提升网络对小目标检测的性能。最后,通过迁移学习提升网络的收敛速度,增强网络的泛化能力。通过对比实验结果发现,在自制毛巾织物数据集上算法的m AP值为73.1%,相对传统Faster R-CNN算法,改进后的方法将检测精度提升了10.3%。（3）考虑到实际工业生产对检测实时性的要求,由于Faster R-CNN采用了区域建议框方法,造成算法的运算量较大;而单阶段目标检测算法摒弃了区域建议框生成操作,而是直接将目标边界框的定位问题转化为了回归问题,因此算法检测速度快、实时性高,本研究采用以YOLOv4算法,通过引入K-Means++聚类算法对Anchor Box进行初始化,提高聚类结果的稳定性。在保证检测精度的同时,改进后的YOLOv4网络相比双阶段Faster R-CNN网络,检测速度有大幅度提升,检测速度达到50.54f·s-1,提升了毛巾织物检测的实时性,增进了算法的实用性。综上所述,通过对深度学习最新理论的分析研究以及实验结果对比可知,本文所用深度学习的方法与传统方法相比不仅能够增加检测精度,而且避免了复杂的特征构建。针对毛巾织物瑕疵的特点,对原始算法进行了改进,提高了原始网络相应的性能指标,从而提高了实际检测效率,对毛巾织物行业的发展具有一定的理论意义和实用价值。