随着经济水平和生活质量的提高,人们对鞋服、家纺等产品的外观要求日益增长,印花布在现代纺织品的制造中有诸多应用。但在印花布的生产过程中,由于设备故障、生产环境、人为操作不当等因素,易使印花布匹表面出现疵点,影响纺织企业的经济效益和行业口碑。目前我国对于布匹的疵点检测大部分仍采用人工的方式,有部分企业研发了瑕疵视觉自动检测系统,但多采用传统的机器学习算法,需要手动设计疵点特征,不适用于复杂印花布面的检测。近年来,深度学习在工业应用上有较大突破,该方法可以自动学习特征,且拥有更加优秀的特征建模能力,因此本文引入深度学习模型用于瑕疵检测,并针对印花布疵点特征和工厂快速检测的需求进行相应算法的设计。本文首先以在某纺织工厂车间的调研情况为基准,将出现频率较高的四类疵点作为研究对象。综合疵点特征、生产环境和使用成本等因素,对机器视觉系统组件进行选型研究,选择相适配的光源、相机、镜头等硬件,搭建印花布疵点检测的系统平台;并研究各类深度学习算法的原理,通过检测效果的对比选择更符合实际需求的目标检测算法。然后,通过目标检测两种思路的对比研究,选择了以一阶网络YOLOv3为设计原型的基础架构,并基于印花布瑕疵特征做出改进设计。对于印花布疵点形状多变的问题,引入可变形卷积网络,提升疵点识别的效果;对于原始模型的采样方式容易忽略印花布中小疵点信息的问题,对采样结构进行改进;对于工厂需要快速实时检测的问题,采用浅层特征提取网络轻量化和深层网络剪枝相结合的方式解决;对于一阶模型存在疵点边框检测不准确的问题,通过增加广义交并比损失计算,来提高疵点边框的回归精度。最后,通过设计印花布检测算法的实验来验证其有效性。在训练所需数据的准备上,通过视觉平台、相机SDK和开发的图像截选工具进行源数据的采集和处理;采用疵点的增强策略对数据进行生成和增强以解决瑕疵的数量不平衡和多样性不充足问题。在实验中,采用迁移学习策略将其他领域的知识复用到准备好的数据域上,提高收敛速度;使用基于交并比距离的K-means算法对真实标签聚类,获得适合于本文印花布疵点的预设锚框;统计并分析实验结果后发现本文模型可以取得91.55%的离线检测准确率,检测时间为0.026s,检测性能较好;在线检测能够在0.6m/s速度下实时运行,检测准确率达到86%,能够满足工厂检测的精度和速度需求。