近年来,深度学习技术在语音识别、智能监控、人脸识别等方面取得了巨大的成功,卷积神经网络作为深度学习最主要的算法之一也逐渐被广泛应用在工业图像缺陷检测中。卷积神经网络用于织物缺陷检测主要有两种方法:一种是只对缺陷进行分类;另一种是既对缺陷类别进行判定同时也定位出缺陷位置。本课题以白坯布、色织物、复杂条纹织物为研究对象,分析了卷积神经网络在织物缺陷智能分类和检测上的应用价值。针对深度学习在实际应用场景中存在的样本获取困难和样本量少的问题,分析了如何利用深度学习方法有效地分类和检测织物缺陷。研究内容主要包括以下几个方面:(1)将迁移学习与卷积神经网络模型相结合。首先加载已经在百万数据集上预训练好的模型AlexNet和GoogLeNet,再利用已构建好的数据样本对预训练模型的参数进行微调,该方法在缩短训练时间和降低实验硬件要求的基础上极大地提高了训练的准确率。因为不同的卷积神经网络卷积层数不尽相同,这代表着它们的感受野也不同,于是在迁移学习的基础上将AlexNet与GoogLeNet提取的特征进行融合,最后加入SVM分类器进行缺陷分类。实验结果表明,采用特征融合加迁移学习的方法比单独应用AlexNet和GoogLeNet做迁移学习,识别准确率分别提升了4.8%和10%。(2)基于YOLOv3的色织物缺陷检测方法。为了能同时完成纺织品缺陷的分类和定位,使用YOLOv3网络进行色织物缺陷检测。与原始YOLO方法不同,该网络采用Darknet-53作为基础网络,基础网络的改进减轻了计算量方面的压力;分类器使用多个logistic分类器;同时增加多尺度预测,很好地解决了小目标检测中存在的检测精度低且效率不高等问题。实验结果表明,在两类色织物上进行测试后识别的平均准确率达到98.07%和97.18%。(3)织物缺陷检测平台的搭建。为了进一步将本文算法应用到实际的工业生产中,使用织物传动机构、光源、图像采集模块、工控机等,搭建织物缺陷检测平台,并结合文中的检测算法设计了一套完整的检测系统。最后对已经完成的工作进行总结,同时展望课题未来的发展趋势。本文共有图60幅,表15个,参考文献74篇。