织物缺陷检测是纺织品生产过程中的重要环节,对提高纺织品的生产质量起着十分重要的作用。传统的织物缺陷检测主要由检验员完成,检测速度慢,漏检率高,不能满足快速、高质量生产的要求。为了提高织物缺陷检测的效率,必须用自动检测技术代替繁琐的手工检测,以提高生产效率,提高织物质量。由于织物缺陷存在多样性和复杂性的特点,织物缺陷的自动检测是机器视觉领域中一个具有挑战性的课题。近年来,卷积神经网络(CNN)在目标检测领域获得了快速的发展,其对各类目标的检测能力获得了普遍的认可。将卷积神经网络算法应用于对织物缺陷检测也已经取得了不错的检测效果。然而,随着卷积神经网络模型检测精度的提高,模型的计算成本和存储要求也在显著增加,这在一定程度上阻碍了卷积神经网络模型在移动或嵌入式设备等计算和存储资源有限的环境中的应用。因此,本文对基于卷积神经网络的织物缺陷检测算法进行研究,并结合织物缺陷的纹理特点,对模型结构进行优化改进。使模型对织物缺陷检测精度提高的同时,减少模型参数,提高检测速度。创新性研究成果如下:1)提出了LW-YOLO轻量化卷积神经网络模型用于织物缺陷检测。首先,对神经网络各层特征图进行可视化操作,通过分析每层所提取的特征信息来确定网络模型的深度,并采用连续的3?3和1?1卷积层搭建出一个轻量型卷积神经网络框架。然后采用特征金字塔网络实现多尺度特征提取,使模型可以提取到不同细粒度的特征信息,提高了检测能力。最后,使用逻辑回归(Logistic Regression)算法准确计算出各个缺陷的坐标值,实现对缺陷目标的定位。实验结果表明,与YOLOv3模型对比,该模型在不影响检测精度的同时对模型进行了压缩,使模型的参数显著降低。2)提出DefectNet卷积神经网络用于对织物缺陷的快速检测。首先,使用深度可分离卷积将卷积过程分为深度卷积和点卷积两部分,分别实现对特征图的特征提取和特征融合,从理论上降低了卷积过程的计算量,使卷积操作的计算量显著降低,提高了检测速度;然后,采用K-means聚类算法,得到织物缺陷的初始锚框(anchor boxes)尺寸,提升了模型对缺陷的定位能力。3)提出一种新的快速特征提取模块,称为“可分离自适应再校准模块(SAR)”,将DefectNet网络结构中的深度卷积与点卷积之间添加了sigmoid激活函数,使模型在训练过程中自主对各个通道所含特征的重要性进行学习,得到每层网络的全局信息,对不同价值的特征信息赋予不同的权重值,进而实现对特征通道的自适应校准,提高检测效果。