环锭纺细纱自动接头是纺纱行业的难题,目前尚没有成熟的基于计算机视觉的解决方案。对于纺织行业来说,环锭纺细纱自动接头技术的研究与应用能够给环锭纺带来一次新的技术革命。为了实现自动接头,首先需要能够自动识别断头,并且可以识别出自动接头过程中细纱所经过的几个部件的位置。因此,本文基于深度学习技术,对环锭纺细纱进行断头检测,同时,也对环锭纺细纱机上钢领、导纱钩以及前罗拉皮辊进行了识别与位置检测。首先,本文提出了细纱机加捻段图像增强算法,该算法对采集到的细纱机加捻段图像进行预处理,使用基于灰度变换和拉普拉斯算子的方法对图像中的纱线特征进行增强。然后,针对环锭纺细纱机工作时纱线会出现断头的问题,提出一种基于深度学习的断头检测算法。其中,根据对纱线图像的特点以及工业应用的实时性和效益需求分析,构建一种基于卷积神经网络(Convolutional neural networks,CNN)的DBYC(Deep broken yarn classify)轻量化分类模型,该模型包括:通过改进深度可分离卷积和提出一种基于地址交换的通道融合操作来构建数量少、计算复杂度低的卷积单元CEIDSConv-branch(Channel exchange improved depthwise separable convolution);添加注意力机制,用于融合高层次和低层次的特征信息;基于循环分块矩阵以及哈达玛变换提出一种全连接层的推理加速策略;添加局部响应归一化层来增强模型的泛化能力以及使用Dropout层防止模型过拟合。将算法部署在intel core i7 8700K CPU处理器上,试验结果表明该算法具有良好的识别效果、泛化能力以及运行速度。为了识别和检测出细纱机上的钢领、导纱钩以及前罗拉皮辊的位置,提出一种基于深度学习的环锭纺细纱机专件识别与位置检测算法,该算法首先对Faster-RCNN目标检测模型进行改进:使用网络深度更深、运算量更小的深度残差网络(Res Net50)代替原始的VGG16;使用Soft-NMS算法代替传统的非极大值抑制(NMS)算法来解决检测框误检问题;修改RPN的锚点数量和大小以适应细纱机零部件尺寸;添加在线难例挖掘机制解决正负样本失衡问题以及使用迁移学习来减少模型的训练时间。最后,采用图像金字塔(Image pyramid)和感兴趣区域(Region of interest,ROI)结合的搜索策略对算法进行加速。试验结果表明,基于改进后的Faster-RCNN的算法的检测准确率得到了很大的提升。