在纺织品的生产过程中,由于机械故障、纱线问题、过度拉伸等原因,面料出现疵点的现象总是难以避免,而找出瑕疵品及合理分级是纺织行业质量控制的重要内容。针对传统的疵点检测方法检测速度较慢、容易漏检以及实时性差等不足,设计一种检测效率高且漏检率低、高效实时的疵点检测方法是一个很有价值的研究课题。本文以织物疵点目标检测为研究对象,分析研究了基于深度学习的目标检测算法,以基于回归的YOLO和SSD作为基础网络模型,对两种算法进行了改进研究。具体研究内容如下:(1)针对传统的织物疵点检测算法难以保证高检测率的同时满足工业实时性需求的问题,本文以YOLO为骨架,在Tiny-YOLOv3算法基础上进行改进,提出了织物疵点检测算法IMP-Tiny-YOLOv3。为了获取疵点图像的更多细节,本算法优化了Tiny-YOLOv3的细节特征提取部分,在原主干网络的基础上增加三个卷积层,同时引入1×1卷积核来降低模型计算复杂度;其次,使用K-means聚类方法聚类分析了疵点边界框,获取锚点框的最优个数。结果表明,改进后的IMP-Tiny-YOLOv3算法对织物疵点具有较好的检测效果,在满足工业实时性的要求下,IMP-Tiny-YOLOv3的精确率和召回率较改进前的网络模型分别提升了3.1%和2.7%。(2)相较于YOLO,SSD改进了分布密集的物体和小目标的检测效果,为了满足织物疵点检测的实时性要求,本文在SSD算法基础上加以改进,使用轻量级网络MobilenetV3代替VGG-16作为SSD的特征提取网络,提出基于Mobilenet(V3)-SSD的织物疵点检测算法。选择MobilenetV3-small作为SSD的基础网络,缩减了网络模型的参数量,MobilenetV3结合了MobilenetV1的深度可分离卷积操作和MobilenetV2的倒残差线性瓶颈模块,在检测的精度和速率方面均有所改善。结果表明,Mobilenet(V3)-SSD网络在不明显降低检测精度的同时对模型的检测速率提高了近2倍。同时,针对中小型织物疵点的检测,Mobilenet(V3)-SSD网络比Tiny-YOLOv3网络的检测效果相对更好。本文基于深度学习相关理论,对织物疵点检测展开研究,提出的改进Tiny-YOLOv3和SSD目标检测算法可以成功应用于织物疵点检测。与传统的检测方法相比,在检测的精度和速度之间取得了较好的平衡,相关研究的推广应用将对纺织行业的品控和质量管理自动化提供有效的途径。