织物疵点检测是纺织品质量监控的关键环节,基于图像处理与机器视觉的自动织物检测方法具有速度快、准确率高等优点,成为纺织企业的首选。然而,由于织物图像纹理复杂,疵点形态多样,造成传统检测方法检测率不高、自适应差等缺点。人类视觉机制能快速定位显著目标,因此基于视觉显著性的织物疵点检测具有很好的应用研究价值。基于深度学习具有强大的特征提取能力,因此,本文结合织物图像特性,在深度学习模型、注意力机制等方面进行创新,对基于深度学习视觉显著性的织物疵点检测算法进行研究,取得的研究成果如下:1)提出基于全卷积网络和卷积注意力机制的视觉显著性模型,用于织物疵点检测。针对现有的织物疵点检测方法检测精度低的问题,该模型首先利用全卷积网络提取多层次、多尺度特征,提高对织物纹理的表征能力。然后,在侧输出网络中加入注意机制模块,对通道和空间两个维度的特征进行加权,进一步提高了提取特征的有效性。最后,通过一系列短连接结构将生成的多级显著图进行融合,以更好地检测显著目标区域。由实验结果可得,所提方法相较于其他显著性检测方法,在多种类型的疵点的定位和检测方面,有很好的表现。2)提出基于多尺度上下文感知的视觉显著性模型,用于织物疵点检测。全卷积网络提取特征的过程中存在信息损失和小目标信息无法重建的问题,针对这一问题,采用由空洞卷积与普通卷积结合组成的上下文感知模块,模拟人类视觉系统的感受野变化,加强模型学习到的深层特征。同时,相比于采用单一尺寸的卷积核结构,该模型利用多个不同尺寸的卷积核,获得不同尺度空间的多级特征。通过融合多级特征,最终所获检测结果比使用单一卷积核更准确。实验结果表明,无论是所占区域大或者区域小的疵点,该模型均具有较高的检测精度。3)提出基于深度可分离卷积和自注意机制的视觉显著性模型,用于织物疵点检测。织物疵点位置具有随机性,对图像的每个像素点或每个通道进行学习的方式,会带来巨大的计算压力。因此,本方法将计算量较大的普通卷积替换为成深度可分离卷积层,减少模型参数量。其次,利用自注意模型通过计算图像中像素点之间的关联性,获取图像的全局依赖,减少对通道特征及空间所有像素点的计算,降低模型的复杂度。实验结果表明,在对多种类型疵点均有良好的检测效果的前提下,模型参数量显著减少。本文研究成果提高了现有织物缺陷检测方法的自适应性及检测效果,所提方法可实现对平纹类型织物疵点的正确定位与检测,检测精度较高。同时,相关算法也可应用于玻璃,钢材及薄膜等表面缺陷检测领域,具有极高的研究价值。