目前在纺织领域,工厂主流的布匹质检方式为人工检测。随着工业智能化的发展,机器视觉技术凭借其检测速度快和精度高的优势,得到了纺织领域的更多关注。部分纺织企业开始使用基于机器视觉的布匹瑕疵检测系统,目前的瑕疵检测系统主要用于素色布的瑕疵检测。根据工厂实际生产的布匹情况,结合消费者对服装布匹的需求,发现以复杂背景图案的花色布为主。由于花色布的瑕疵特征提取受到复杂背景图案的干扰较大,而传统机器视觉的算法依赖于人工设计的特征进行提取,所以在花色布的瑕疵检测上并不能达到理想的效果。因此,研究用于花色布瑕疵检测的算法具有重要的意义。首先,实地考察工厂花色布生产和人工检测环节,归纳花色布常见的7种瑕疵类型,总结花色布表征特点,分析花色布瑕疵检测问题上的难点。基于背景图案在颜色等方面对瑕疵特征提取有较大影响的特点,选取彩色线阵相机,并选用与其匹配的镜头和光源等组件,搭建花色布瑕疵在线检测平台。通过对比深度学习目标检测的两种主流模型的优缺点,结合花色布瑕疵检测的实际需求,选择适合当前检测情况的二阶模型,完成检测模型基础架构的设计。然后,建立用于深度学习训练所需的花色布瑕疵数据集。对工厂获得的花色布瑕疵布料进行图像采集,编写图像裁剪程序,利用数据集标注工具,建立花色布瑕疵数据集。利用花色布瑕疵公开数据集,编写程序将其转化为自建的数据集格式,对实际检测过程中需要的瑕疵类型的花色布样本量进行扩充。接着,为提高花色布瑕疵检测模型的准确率,使用几何变换的数据增强方法,对花色布瑕疵数据集进行扩充。通过检测算法预处理步骤增强模型效果,采用图像预处理、主干网络的迁移学习以及对二阶检测模型中的预选框参数利用K-Means聚类方法进行优化等步骤提高网络训练效果。设计适合花色布瑕疵的检测算法。通过加入可变形卷积优化主干网络、多尺度模型的设计、构建级联网络结构,引入在线难样本挖掘算法以及优化损失函数对检测模型进行改进和优化。最后,进行花色布瑕疵图像的离线检测实验和花色布在线检测实验。在离线检测实验中,将自建的花色布瑕疵数据集划分训练集和测试集,设置多组花色布瑕疵检测实验。通过对模型训练过程中的数据进行统计分析,对瑕疵检测效果进行可视化展示,对检测结果进行统计,平均准确率为94.62%,验证了本文算法瑕疵检测的有效性。在实验室搭建的花色布在线检测平台上,对花色布进行在线检测实验。实验结果证明,花色布瑕疵检测算法具有良好的检测效果,在实验布匹上平均准确率能达到93%,检测速度为0.6m/s,满足工厂对花色布瑕疵检测的需要。