随着纺织行业贸易竞争的日益激烈,严格把控纺织品的产品质量并降低检测成本成为重点研究方向。国内目前主要依靠人工完成坯布缺陷的检测,该方法准确率低、成本高,因此自动化检测成为替代人工检测的重要途径。本文利用卷积神经网络对坯布表面缺陷的检测与分类算法进行了研究。分别采用改进的AlexNet网络、改进的VGG16网络以及基于迁移学习的方法完成对坯布缺陷的分类;使用基于Faster RCNN与残差网络相结合的方法和基于SSD的方法完成对坯布缺陷的检测。具体研究内容如下:(1)研究了坯布缺陷的分类问题,对AlexNet网络及VGG16网络进行了改进。在改进的AlexNet网络中,使用批归一化层替换局部归一化层,通过实验验证了改进的有效性;在改进的VGG16网络中,在池化层和卷积层间添加批归一化层,当使用随机梯度下降法时,分类准确率为98.26%。(2)采用基于迁移学习的坯布缺陷分类算法。运用基于模型的迁移学习,将预训练得到的Inception V3的结构和参数进行迁移,再通过训练坯布缺陷数据集微调网络参数。实验证明,该方法能大量减少训练时长且对硬件设备要求不高。(3)使用Faster RCNN与残差网络相结合的方法检测坯布缺陷。在Faster RCNN的基础上,采用提取特征效果更好的深度残差网络。先使用残差网络对坯布图像的特征进行提取,再通过区域生成网络及Fast RCNN检测网络对坯布的缺陷目标进行检测。实验对比了Faster RCNN分别与VGG16、ResNet101结合时的检测结果,并分析不同参数对结果的影响,检测准确率为99.6%。(4)为实现坯布缺陷的实时检测,采用基于SSD的检测算法。该算法先使用深度卷积神经网络提取图像特征,然后在不同尺度的特征图的每个位置上进行多尺度目标检测。实验证明,该算法实时性较好,检测单张图片仅需35ms左右。本文共有图32幅;表11个;参考文献64篇。