纺织制造业是我国经济的重要产业,但在实际生产中仍会出现诸如污渍、破洞、浆斑等瑕疵,严重影响产品质量。传统的纺织制造过程仍依赖人工检测,但在快节奏、高度重复的检测任务中,极易造成因视觉疲劳所致的错检、漏检。随着计算机视觉技术的不断发展,已在纺织缺陷检测领域逐渐开始应用。然而,由于布匹瑕疵类型数量不均衡,且瑕疵具有种类繁多、形态多样、尺度变化大、面积占比小等检测难点,传统检测算法无法完全适用。为此,本文对布匹瑕疵点智能检测算法进行了研究。主要研究内容描述如下:为给后续算法研究提供足够规模且高质量的图像数据集,分析了原始布匹图像特点,针对光照不均、噪声、纹理干扰问题,采用直方图均衡化、滤波降噪、图像锐化方法实现预处理;针对瑕疵类别数量不平衡问题,采用图像旋转、翻转、剪裁等几何扩充方法平衡了各类瑕疵数量;针对图像尺寸过大问题,采用了滑动分割法进行图像分割。针对正常与瑕疵布匹数量不平衡问题,通过混合式多分量卷积神经网络实现了布匹类型二分类检测。通过对布匹图像进行颜色空间转换和二维离散小波变换,在不同分量子图像的能量分布中,选取具有最大小波熵的子图像作为神经网络的输入;利用卷积获取浅层的特征图,并在注意力机制中将上下文信息编码到局部特征中,以增强特征的语义表达能力;最后,将不同分量的特征进行融合,并对混合特征进行分类检测。针对布匹瑕疵尺度变化大、面积占比小等检测难点,在改进的DenseNet中加入了可变形卷积层。可变形卷积通过设置卷积像素相对于中心像素各自的x,y方向偏移量,并利用反向传播训练偏移量来增加感受野的变形适应性;在检测框架中加入Focal Loss损失函数,用以平衡正负样本数量;最后基于SSD目标检测框架实现瑕疵的分类和定位检测。基于上述算法设计并实现了一款布匹瑕疵点智能检测软件系统,以实现对布匹图像的瑕疵检测,并进行保存、统计、输出检测报告等操作。