纺织业作为我国的重要经济产业,近年来的飞速发展使得我国经济水平进一步提高。布匹的生产工艺流程较为复杂,环节众多,在布匹生产加工的过程中往往会产生许多的疵点,然而疵点的产生会对布匹质量造成严重影响,进而影响到布匹的市场价值。如何有效地对布匹疵点进行定位和检测,成为布匹品质控制的关键。由于布匹纹理的复杂性和疵点种类的多样性,布匹疵点的定位与检测面临着诸多挑战。目前,大多数纺织企业仍采用人工筛选的方式对布匹疵点进行检测,其检测效率低、误检率高。近年来,深度学习在图像处理领域取得了诸多进展,其应用范围十分广泛,采用深度学习的方法对布匹疵点进行定位检测能极大的提高检测效率,保证质量。本文以纺织企业中采集到的布匹疵点作为研究对象,将布匹按纹理类型分为单色布、条纹布、格状布三种,对三种不同纹理布匹分别进行数据增强,并制作成相应的布匹疵点数据集,从基于YOLOv4算法的卷积神经网络出发,在保留YOLOv4许多优秀策略的前提下,对算法进行创新性改进。针对布匹疵点数据集中“小目标”和“细长型”疵点较多的特点,首先对网络的结构进行改进,将原本三尺度的YOLO Head输出特征层增加到四尺度,通过增加104×104输出特征层,将栅格尺寸进一步划分为更小的单元,并与主干特征提取网络中的浅层特征层进行FPN融合,增强网络对小目标的敏感度;在特征提取方面,对PANet特征金字塔网络分别增加一次上采样与下采样的过程,增加上采样使得低层信息传播路径被进一步缩短,加快低层信息传播效率,增强语义信息;增加下采样使网络的定位特征和模型的细粒度特征进一步增强,提高网络对小目标的识别能力。同时,对网络参数进行优化,调整网络的超参数,并设计改进的K-means++算法对布匹疵点数据集进行聚类分析,计算出适合于布匹疵点的Anchor Box高宽,针对不同Anchor Box的数量与对应IOU的增长关系进行分析,确定Anchor Box的取值数为12,并根据疵点的分布特点合理分配Anchor Box,以实现最佳的模型性能。最后分别在三种不同纹理布匹疵点数据集上分别进行训练获得改进后的YOLOv4算法模型。通过在三种不同纹理布匹疵点数据集上将改进的YOLOv4与原YOLOv4和SSD进行对比实验,实验结果表明改进的YOLOv4具有更好的布匹疵点检测能力和定位准确性,特别是对小目标疵点的检测精度提升明显,同时在800×600分辨率的图像测试过程中,改进的YOLOv4检测速度最快可达35ms/张,相应的在实际1米宽的布幅上算法检测速度可达1m/s,改进后的算法模型具有检测速度快、精度高等特点。最后运用Qt GUI对改进后的YOLOv4模型进行软件界面设计,对所采集的布匹图像进行高速在线检测,并将检测结果实时的保存在本地,增强模型使用的灵活性与便捷性。