织物缺陷检测是纺织品质量控制的关键环节,视觉检测过程中光源的强度变化会造成织物图像产生光照不均现象。而传统的织物检测方法自适应性不强,适用于正常光照下的特定织物类型,对复杂光照下的织物图像检测效果不佳。近年来,深度学习获得快速的发展,在图像增强和目标检测领域有很好的应用。本文利用深度学习技术对复杂光照下的织物图像进行缺陷检测算法研究。为了贴近真实环境下的织物图像,本文研究对象包括2种织物类型和3种常见的缺陷类型。通过自主搭建图像采集系统采集图像,然后与同类型的开源织物数据集TILDA经过数据增强的方法扩充样本数量,最终构建含有复杂光照效果的织物数据集,为后续深度学习训练提供足够样本。本文将深度学习应用于织物图像的预处理,利用卷积层和转置卷积层分别对织物图像进行特征提取和图像重建,选择合适的损失函数,设计一种新的卷积神经网络框架,用以去除织物图像的光照不均现象。相较于典型的图像增强方法,本文方法处理后的图像清晰,质量更高。针对构建的织物数据集的特点,使用改进的YOLOv4算法对织物图像进行缺陷检测。由于织物图像在较高分辨率输入时,增大感受野会导致网络层数的加深,本文将YOLOv4框架中FPN部分用AC-FPN替换,以得到更高层次的语义特征;在YOLOv4损失函数中引入Focal Loss函数,减缓织物图像中缺陷目标与背景的不平衡现象。将改进的YOLOv4算法与原始的YOLOv4算法进行对比实验,结果表明在IoU设置0.5的情况下,mAP值提升了 5%。本文提出基于深度学习的方法对复杂光照下的织物图像进行缺陷检测,该方法可同时适用于坯布和印花布两种类型,具有较高的准确率和鲁棒性,适用于复杂光照下的织物图像缺陷检测。