皮革材料是日常生活中使用较多的制品用料之一,广泛应用于皮衣、制鞋和箱包等皮革制品的生产过程中。但是皮革材料在生产过程中不可避免的会存在一些缺陷,若将存在缺陷的皮革材料用于产品制造中会使产品存在瑕疵,进而影响销售市场,因此需要对皮革材料进行缺陷检测,进而采取必要的措施。传统的皮革表面缺陷检测主要有两种方法,一种是人工检测,需要专业的检测人员对皮革表面进行检测并标记,但这种方法属于经验性操作,没有定性标准;另一种方法是使用滤波或者傅里叶变换等方式与机器学习相结合进行缺陷检测,这种方法检测效率较低。近年来,深度学习在各领域得到广泛应用,并取得了很好的效果。因此,本文以台湾某皮革厂的实际皮革图像数据为研究对象,设计基于改进Faster region convolution neural network（RCNN）的缺陷检测算法,致力于提高皮革材料缺陷的检测精度与速度。本文首先针对深度学习网络训练需要大量数据的问题,对在实际生产过程中采集到的少量缺陷图像数据,使用旋转、翻转、划分以及缺陷随机放置等方法进行补充数据,然后采用生成对抗网络（Generative Adversarial Networks,GAN）对补充后的数据进行数据生成,并使用Label Img工具对扩充后的数据集进行缺陷标注,表明其缺陷的位置和种类,并将标签以.xml的形式保存。接下来对一步式目标检测模型Single Shot Multi Box Detector（SSD）和两步式目标检测模型Faster RCNN的网络结构进行详细阐述,并采用这两种算法对已生成的数据集进行缺陷检测,然后对两种算法的检测结果进行对比,验证Faster RCNN更适用于皮革缺陷检测。其次,针对皮革数据存在缺陷面积较小、与背景相似度较高的问题,对传统Faster RCNN算法进行改进。在特征提取模块选用不同的CNN模型分别对皮革材料进行特征提取,对不同模型的检测结果进行对比,选择最适合的模型;借鉴SSD算法对每层特征都进行计算的思想,提出特征融合模块对Faster RCNN的特征提取模块进行改进,提高整个网络的平均检测精度。最后针对区域生成网络（Region Proposal Network,RPN）和感兴趣区域池化（Region of Interest pooling,Roi pooling）模块进行改进,在候选框生成过程中调整其比例和面积,以便于更好的覆盖缺陷区域;并利用Roi Align算法对Roi pooling算法进行重写,减小因取整操作而引起的误差。本文以深度学习算法为基础研究皮革数据的缺陷检测算法,与传统方法相比不仅能够增加检测精度,而且避免了复杂的特征构建。针对缺陷特点对检测算法进行改进,提高实际检测效率,对皮革行业的发展具有一定的理论意义和实用价值。