布匹瑕疵检测是纺织行业生产和质量管理的重要环节。目前的人工检测有速度慢、劳动强度大、受主观因素影响、缺乏一致性等缺点。传统的处理布匹瑕疵的机器学习算法通常用来处理易提取、容易量化的特征,如颜色、面积、圆度、角度、长度等,但瑕疵特征由于其缺陷区域占比小、缺陷尺度变化大、缺陷形状复杂无法很好地提取。卷积神经网络是图像识别领域新兴的重要方法,为此,本文将卷积神经网络用于布匹瑕疵的检测识别,以提高识别的速度和精度。首先,分析了布匹瑕疵数据集的特点,针对相应特点采用对应的数据增强方法,分析了残差网络的构成,建立了第一代ResNet50模型,实验得到了初步精度基准。其次,针对布匹瑕疵类别不平衡的问题,采用了Focal Loss和多任务辅助Loss;针对瑕疵区域占比小的问题,提出了单尺度patch块采样策略;介绍了SE模块的构成,建立了基于SE模块的SE-ResNet50模型,并提出了相应的测试方法,不仅可以识别出缺陷种类,还进行了初步的缺陷定位,提升了检测精度。接着,针对瑕疵区域尺度变化大的问题,分析了瑕疵区域尺度变化的特点,提出了多尺度patch块采样策略,建立了SE-ResNet50模型,提出了相应的测试方法,提高了检测的精度;但由于大量patch块的使用,很多区域进行了重复的特征提取,极大地降低了检测的速度。利用Fast-RCNN相对于RCNN的改进,只对原图做一次卷积特征的提取,在卷积层feature map做多尺度池化,设计了多尺度池化模型(MPP Net)和相应的测试方法。实验表明,该模型在不影响检测精度的情况下,有效地解决了检测速度过慢的问题。最后,总结了全文所做的工作,给出了几个将来可以继续开展工作的方向和应用领域。