纺织工业是我国长久以来的经济支柱产业和不可替代的民生产业,同时也是国际上处于领先地位的一项产业。从目前该产业的现状来看,织物的瑕疵检测与识别是制约织物生产效率与织物质量的重要因素。传统的织物瑕疵检测与识别是以人工的方式进行,存在效率低(检测速度仅为10～20米/分钟)、误检率和漏检率高的问题。因此,高质量的自动化织物瑕疵检测与识别已经成为布匹生产企业亟待解决的问题之一。我国的布匹瑕疵检测识别还停留在基于传统数字图像处理技术的算法研究层面,采用手工设计特征的方法,但其特征难以设计及调优。而目前基于卷积神经网络(Convolutional Neural Network,CNN)的图像识别算法,是基于数据自动学习特征,其识别效果显著,明显超越了传统数字图像处理算法的识别效果。当今国内外对卷积神经网络在布匹瑕疵检测与识别领域的应用鲜有成果,本文以某布匹生产企业的需求为依托,开展基于深度卷积神经网络的布匹瑕疵检测识别系统开发,主要研究工作如下:(1)到实际布匹生产企业进行调研,了解布匹生产企业的生产现状及布匹瑕疵的检测需求;针对深度学习模型的训练需要大量数据集的需求,在企业生产线搭建相机、光源等硬件设备,采集布匹瑕疵样本,建立了布匹瑕疵图像数据集。(2)将CNN应用于布匹瑕疵的分类问题。深入研究深度卷积神经网络的网络结构及其在图像识别领域的应用,针对布匹瑕疵图像的数据规模,设计了一个浅层网络结构模型,一方面能够减小计算量,加快计算速度;另一方面能够减小参数数量规模,防止过拟合。(3)提出了双网络并行的CNN训练方法。简化的浅层网络模型结构带来了识别精度的下降,为了能够更好的训练CNN,提升网络性能,本文利用深层网络的特征图能够提取到更高级的语义信息,通过交叉熵损失函数约束浅层网络的输出特征图与深层网络输出特征图的一致性,构建了双网络并行的模型训练方法。实验表明,双网络并行的训练方法优于单网络训练的训练方法得训练好的模型达到99.48%的识别准确率。(4)提出了一种基于特征图优化卷积核参数的模型压缩算法。针对卷积神经网络需要大量的计算资源的问题,在已有的模型压缩算法基础上进行了改进,提高了原有压缩算法的效果,在压缩率为50%的条件下,瑕疵识别准确率达到96.99%,单张图像的处理时间为10.24ms。使得提出的网络结构模型在保证检测识别效果的前提下,能够在普通个人电脑、移动设备、嵌入式设备中高速运行,大大降低了该系统的硬件成本。(5)结合软件开发技术,如多线程技术、Qt应用程序开发框架等,将瑕疵识别算法的研究成果部署在PC机上,通过图片切分的方式对每个小块进行识别,然后用深度优先搜索算法整合识别结果,完成了整个系统的实现。将系统进行实际测试,与人工的检测结果进行比对,布匹质量评分的最大绝对偏差仅为5.2%,实时处理速度可达39.5米/分钟,是人工检测速度的2～3倍,可替代人工进行验布。