随着“中国制造2025”计划的推进,我国工业制造行业的智能化程度不断提升,但依然有部分环节的关键技术有待研究。纺织品质量检测问题一直是纺织行业在实现自动化生产过程中的薄弱环节,大量的质量检测工作仍依赖人力,但依赖人力的质量检测环节成本较高,且质量状况不稳定。根据以上问题,本文旨在设计基于深度学习技术的纺织物质量图像检测系统,主要研究了以下几点内容:1.设计了适用于工业现场的图像采集系统,并对纺织物瑕疵数据进行了采集,构建纺织物图像数据集。在此数据集的基础上研究了纺织物图像所在色彩空间对深度学习模型学习效果的影响,并根据结果提出融合多个颜色空间输入图像的色彩加权模块,用于提升深度学习模型对纺织物瑕疵的检测能力。2.针对纺织物表面以及瑕疵的特点,为纺织物产品质量评价设计了相应的深度学习模型结构。提出基于传统视觉特征的注意力机制模块对卷积特征图进行加权,结合传统的图像特征筛选纺织物图像中重要的区域以及有效特征,对特征图响应进行重新调整。设计用于处理特征图的多方向LSTM模块,针对纺织物瑕疵大多连续出现的特点,使用LSTM模块提取图像中的序列特征,利用上下文信息加强模型对瑕疵的识别能力,减少误判。结合以上方法设计了用于纺织物质量评价的深度学习模型,并通过一系列实验证明了以上方法的有效性。3.以上述深度学习模型算法为核心,设计与现场机械设备结合的纺织品质量评价系统。系统包括客户端和服务端,客户端位于生产现场,负责图像采集、传输以及控制信号的发送和传输,服务端负责执行大规模深度学习模型计算。并根据以上设计在生产现场搭建了实体的质量评价系统进行了实验。