随着国际竞争加剧,国内人工成本的不断提高,天然革制品行业亟需具有集成缺陷检测、标注、套料、裁切全套功能的一体化智能装备。目前天然革套料、裁切一体机已经逐步成熟,但其缺陷检测与标注仍高度依赖于人工,该环节一般占材料处理一半以上的工时,其原因是天然革的纹理复杂,缺陷多变,自动化检测的难度极大。目前大部分缺陷检测算法仍局限于判断原材料有无缺陷,尚不能满足天然革制造业的生产需求。本文完成了天然革缺陷区域分类、目标检测、语义分割三项工作。首先基于合作单位的天然革实物缺陷样本,构建了天然革的分类数据集、多类别目标检测数据集和语义分割数据集。这些数据集包含了松面、血筋、老纹、针孔破面与无缺陷天然革五种类型的图像。在天然革分类任务上,论文基于Rand Augment算法改进了数据增强方式,提出了基于全局自注意力机制的分类算法,有效的提升了天然革的分类准确度。利用Transformer中的全局自注意力机制对Resnet50提取的特征进行加强提取,提升了网络对缺陷部分的关注度,并且获得更加全面的上下文信息。随后在目标检测任务上,论文提出了基于Swin-Tiny的多尺度预测的Faster R-CNN目标检测模型,多尺度预测可以加强小目标的检测效果,Swin-Tiny可以提取更加优秀的特征信息,再通过引入柔性非极大值抑制,极大的提升了缺陷检测的准确度。通过将上述改进思路应用在Mask R-CNN中,提升了缺陷语义分割的效果。最后,论文结合改进后的算法设计并构建了天然革缺陷检测系统。实验表明,与已有方法相比,引入全局自注意力的分类算法准确率提升了6.91%,缺陷图像召回率提升5.30%。改进后的目标检测模型的m AP提升13.09%,平均召回率提升17.22%,其中针孔、血筋、老纹等面积较小的缺陷效果提升更加显著。