中国是世界上最大的布匹生产国,布匹缺陷的识别与检测是制约其生产效率与产品质量的重要因素。传统的布匹缺陷检测与识别是通过人工的方式进行的,存在受主观影响较大、检测效率低下等问题。近年来,随着计算机算力的突破,深度学习技术发展迅猛,在工业生产的缺陷检测领域已经产生了越来越多的应用。布匹缺陷检测也应该与深度学习相结合,以实现更好的识别效果与检测精度。与常见的图像识别与检测场景不同,布匹缺陷图像存在背景单一以及小目标缺陷占比大、存在极端长宽比缺陷的特点和难点。由此,本文研究了一种基于深度学习的布匹缺陷检测算法,本文主要研究内容如下:1.提出了一种两步池化算法。针对布匹缺陷图像的单一背景,两步池化算法可以对特征图的背景进行抑制,同时对缺陷点的特征进行增强。两步池化算法分为三个步骤:首先利用全局平均池化获取浅层特征图的背景近似值;然后通过设计的背景抑制函数对特征图的背景进行抑制,同时对缺陷点特征进行增强;最后通过最大值池化,对缺陷区域特征进行提取。由于两步池化算法结构简单,本文将其与三类经典的特征提取网络相结合,并在DAGM数据集上进行相关的对照实验。结果表明,两步池化算法能够大大提升与背景相差较小缺陷的识别效果。2.对通用目标检测模型Faster R-CNN进行了改进。针对布匹缺陷存在的小目标缺陷占比大、具有极端长宽比缺陷的难点,在Faster R-CNN检测框架中加入了改进的多尺度检测算法I-FPN。I-FPN主要改进了FPN的上采样方式,还添加了一条自底向上的通路加强顶层和非相邻层特征的融合效果,最后通过聚类的方式对Anchor尺寸进行设定。同时,还在检测框架的主干网络中加入了两步池化算法。本文对改进前后的检测模型在自采集布匹缺陷数据集上进行对照实验,结果表明,与原始Faster R-CNN相比,加入了多尺度检测方案的检测模型对小目标的检测有一定的提升效果,而I-FPN与FPN相比又有一定检测精度的提升,且对极端长宽比缺陷有着更好的检测效果。加入了两步池化算法的检测模型对于与背景相差较小的缺陷类型有着更好的检出能力。3.设计并实现了一个布匹缺陷检测软件系统。此系统能够对采集到的一个批次的布匹图像进行检测,并输出检测报告,使质检人员能够高效的完成检测任务。