随着国内外丝织品需求量的逐年增长,对原料茧的需求量也日益增加。在缫丝生产工艺流程中,选茧工序决定着缫丝的质量和工效,高效的选茧方法能够减少原料茧的损耗和能源的消耗。传统选茧工序分为粗选和精选,粗选工序传统上多采用人工肉眼选茧方式,即根据蚕茧的外观特征或蚕茧重量,由人工用肉眼来识别各种不同类型原料茧的筛选方法。这种人工筛选的方法受操作人员主观因素影响较大,易导致识别率低、准确率不稳定等问题,无法满足现代化工厂批量化、高效化、准确化的生产要求,同时也不符合纺织行业智能制造的发展趋势。与此同时,深度学习和机器视觉技术在近期取得了飞速进展。因此,采用当代先进深度学习技术对蚕茧的选茧工艺进行智能化、自动化改造,既具有可行性也将对推动我国茧丝绸工业的发展具有重要意义。本课题主要研究内容如下:1.构建一个具有较大规模的、适合训练深度神经网络的蚕茧图像数据集。这部分内容主要包括:制定数据集采集制作方案;大批量蚕茧图像数据的采集;蚕茧图像的标注。2.在自行构建的蚕茧图像数据集上,对当前典型的深度学习目标检测框架（Faster R-CNN、Yolo v3、SSD）进行训练,比较分析了其性能参数指标,从中选出最优的自动化选茧模型。并在此基础上,从数据集的角度探究不同图像数据增广方式对蚕茧检测模型的影响,从而进一步提升模型的泛化能力和鲁棒性。3.基于选出的深度学习选茧模型提出了一种新型选茧模型C-SSD。这部分内容主要包括:通过分类对比实验,得出注意力机制的最佳连接方式,将这种注意力机制引入到选定的选茧模型中,从而提高新模型的选茧准确率。上述研究结果发现:1.在自行开发的蚕茧数据集上训练出来的三种典型目标检测框架（Faster R-CNN、Yolo v3、SSD）,其检测精度分别为0.964,0.940,0.924,检测速率（fps）分别为1fps,58fps,72fps。从精度上看,Faster R-CNN最高,从检测速率上看,SSD最快。三模型对好茧的召回率分别为0.92,0.90,0.81。由于目标检测算法不仅要满足检测精度的要求,同时还要满足对数据帧实时处理的要求,因此综合来看,SSD模型在自动化选茧工序上具有较高的应用价值;2.通过对SSD模型采用不同的数据增广模式进行训练发现,当不改变蚕茧图像的内容信息,仅对图像进行形态变换时,对提升模型的泛化能力和鲁棒性具有较好的效果。3.在对SSD模型的改进实验中,引入注意力机制后的C-SSD算法对蚕茧的检测精度从0.940提升到0.950。