纺织业作为我国传统支柱性产业,对促进社会繁荣稳定和经济总量增长具有重大意义。在布匹生产过程中不可避免会产生各类瑕疵,一般使用人工肉眼检测,但由于人的视觉疲劳特性以及行业经验的限制,会不同程度的产生瑕疵的漏检、误检。少数企业采用机器视觉技术并内置传统的图像处理算法来检测瑕疵区域,但传统的图像处理算法因其严重依赖手工设计特征导致检测精度低、鲁棒性差,在检测精度和速度上难以取得理想效果。本文设计并开发了基于机器视觉的布匹瑕疵检测系统来提高布匹瑕疵检测的精度和速度。针对于传统的图像处理算法对手工设计特征依赖严重导致检测效果差的问题,提出了基于卷积神经网络的目标检测算法对布匹瑕疵进行检测。本文主要完成的工作如下:(1)分析了布匹瑕疵视觉检测系统各部分的功能和性能需求。对硬件检测平台中的布匹传送、图像采集、瑕疵标记等部分机构进行了设计,对工业相机、镜头、光源进行了选型。实验仿真表明该硬件检测平台运行平稳,工作可靠,能够较大程度的提高瑕疵检测速度。(2)将Faster R-CNN与Mobile Net-SSD目标检测算法应用于布匹瑕疵检测场景。在Mobile Net-SSD的基础上引进了soft-nms、focal loss、修改生成候选框宽高比等改进策略。改进后的Mobile Net-SSD检测m AP值为72.5,GPU推理速度为140FPS。(3)提出基于改进Thunder Net的布匹瑕疵检测算法,更改Thunder Net的骨干网络为resnet18、在顶层特征层引入形变卷积、在上下文增强模块融合低层特征来提高瑕疵的检测精度。对比主流的轻量级检测其网络性能表现突出,检测的m AP值为81.1,在CPU和GPU上推理速度分别为32FPS与183FPS。(4)对改进后的网络模型RTNet进行模型剪枝和量化操作。经压缩后的模型大小为37.1M,检测m AP值为77.4,计算量相较于压缩前减少了30%。实验表明压缩后的模型能够在PC端进行布署且满足瑕疵检测的实时性要求。(5)设计并开发了瑕疵检测软件的软件架构和界面。对用户管理模块、图像采集模块、参数设置模块、瑕疵检测模块、瑕疵图像存储与管理模块五大功能模块进行了详细阐述,使用多线程编程实现图像采集、图像预览、瑕疵图像存储以及瑕疵检测等部分的高效运作。对软件进行测试后表明该软件运行状态良好、工作稳定可靠,检测的准确性和效率能够满足系统的性能要求。