在布匹的生产过程中,由于生产工艺等原因往往存在一定的瑕疵产品,对产品声誉有着很大影响,因此布匹瑕疵检测是生产过程中十分重要的一环。目前布匹瑕疵检测主要是由人工完成的,但是人工检测有缺乏一致性、检测效率低等缺点。近年来随着深度学习的快速发展,基于卷积神经网络的目标检测算法展现出了优异的性能并且已经广泛应用现实生活中。本文针对布匹中存在的小瑕疵占比多、瑕疵尺度差异大、产品本身的花色背景繁多且复杂等问题,在Faster R-CNN的基础上,提出了针对布匹瑕疵检测问题的针对性改进方法。主要内容如下:首先针对布匹上小瑕疵占比多以及尺度变化较大的问题,提出一种基于改进Faster R-CNN的布匹检测算法。改进点为:1)特征提取网络使用带有注意力机制的残差网络,使得提取特征时更加关注与背景不同的目标区域;2)构建特征金字塔网络对不同尺度的特征层进行融合,使得预测不同尺度的目标对应不同融合层的特征;3)通过统计布匹瑕疵的数据分布,设计合理的锚框尺度,使锚框能够尽可能的覆盖目标区域;4)使用Ro IAlign替换Ro I pooling避免了两次量化操作,从而保留更准确的空间位置信息。通过这些改进大幅提升了Faster R-CNN对于布匹瑕疵的检测精度。实验表明,该方法将检测m AP(mean Average Precision)提高了10.2%。进一步针对布匹中存在的花色背景繁多且复杂等问题,提出一种基于模板的多尺度特征差异网络。该网络使用共享的特征提取网络分别提取瑕疵图和模板图的特征,然后在多尺度特征层之间做差,这样一方面可以保证同区域内相似的背景特征被消除,并同时可以保留瑕疵的特征,另一方面可以提取多尺度的差异特征。这样又进一步提升了Faster R-CNN对于布匹瑕疵的检测精度,将已知花色和未知花色的检测m AP分别提高1.2%和3.7%。