织物缺陷智能识别是纺织品质量控制的关键环节,而基于机器视觉及图像处理的传统织物缺陷检测方法存在一定的局限性,不适用于检测纹理和图案较丰富的织物。本文将人工智能领域的最新研究成果与行业需求相结合,深入研究织物缺陷智能识别方法,针对实际生产过程中织物纹理多尺度、多样性问题,构造了一个对纹理、疵点具有鲁棒性,且支持在线学习的新型轻量级卷积神经网络结构,该模型在保持高识别精度的前提下,极大地减少对硬件计算能力和内存容量的依赖,使深度神经网络更容易在工业现场运行。本文的主要研究成果如下:1)提出了一种基于VGGNet的织物缺陷识别方法。该方法为了克服目前复杂模式织物难以有效“检测”、“分割”疵点的问题,转而采用“识别”这种与主流方法截然不同的方式来判决织物中的缺陷,并首次将VGGNet应用于织物缺陷识别。本文分析传统特征提取模型的不足,详细介绍了VGGNet的结构配置和训练方法,并利用该卷积神经网络实现复杂模式织物的缺陷识别,在一定程度上缓解了目前复杂模式织物无法有效检测的行业难题,为后续研究提供了理论基础。2)提出了一种基于深度特征可视化改进的卷积神经网络LZFNet-V1。卷积神经网络对目标织物图像的特征提取过程是不可见的,那么研究者就无法更具针对性地调整网络结构,这给模型的优化工作带来了极大的困难。为了能在保持模型识别精度的前提下简化深度卷积神经网络,本文利用一种先进的卷积神经网络特征可视化手段,对VGGNet进行深度特征可视化分析。然后根据织物图像的特点更具针对性地调整网络结构,不仅提高了模型的识别精度,而且缩减了90%以上的网络参数,构造了一种新的专用于织物缺陷识别的卷积神经网络LZFNet-V1。3)提出了一种基于可因式分解卷积网络的织物缺陷识别方法。虽然卷积神经网络的性能非常强大,但大规模神经网络需要消耗大量的硬件计算资源和存储带宽。然而在实际应用中,织物缺陷识别任务需要在计算能力有限的平台上实时完成。为了进一步降低深度卷积神经网络的计算复杂度,本文在前人的研究基础上提出一种可对卷积神经网络中卷积层进行因式分解的轻量级卷积结构,然后将LZFNet-V1中的标准卷积层替换成可因式分解卷积层,在不影响识别准确率的前提下达到压缩神经网络体积和减少织物缺陷识别系统计算消耗的目的。4)提出了一种针对织物缺陷快速识别的新型轻量级卷积神经网络结构LZFNet-V2。该网络结构在LZFNet-V1的研究基础上融入模式识别领域当前最新的残差映射和线性瓶颈技术,以构成线性瓶颈卷积模块,并利用线性瓶颈模块构造了一个专用于织物缺陷智能识别的新型轻量级卷积神经网络。实验结果表明,该模型与目前世界上有影响力的卷积神经网络相比,无论是识别精度还是计算效率都具有一定的优势,非常适用于计算资源受限条件下的织物缺陷识别。本研究所提出的所有模型均可在TensorFlow环境下运行,使得轻量级卷积神经网络更容易在工业现场部署。同时,本研究也为解决其它工业产品表面缺陷智能识别问题提供了新思路。