布料瑕疵检测是纺织业生产中的一个重要环节,能够对布料成品质量进行监控,保证产品品质。利用计算机视觉系统对布料进行实时监测,能够有效地避免人工验布人力成本高、检测精度低的缺陷。传统的布料瑕疵检测算法需要精心设计特征提取器来捕捉图像颜色、边缘等特性,往往无法有效处理瑕疵区域面积小、形状复杂等问题。近年来,能自动提取特征的卷积神经网络,在图像领域的应用效果显著。本文将卷积网络应用到布料瑕疵检测任务中,根据企业实际需求,设计检测算法,构建了一套有效的布料瑕疵检测系统。首先,根据实际生产环境,利用图像采集设备,获得了清晰完整的布料图像,构建了一个布料瑕疵数据库。结合图像特性,设计了一个有效的二分类深度卷积网络,采用Focal loss损失函数解决数据样本不均衡的问题。卷积网络模型取得了良好的分类效果。针对深度学习需要大量样本进行模型训练但是数据难以获得,以及实际生产对于正常样本误检率要求严格的问题,提出了基于全卷积自编码器网络的无监督布料瑕疵检测方法。该方法仅利用容易获取的正常布料图像进行模型训练,且能调整阈值保证不误判正样本。为了提高检测速度,采用深度可分离卷积模块以及减少特征图深度,实现了对布料瑕疵的实时检测。另外,算法不仅能对瑕疵有无进行判别,还能在像素级别标定瑕疵位置,模型更具有稳定性。最后,结合软件平台与硬件设备,构建了一个完整的布料瑕疵检测系统。系统在工厂中实际运行,完全能够满足生产检测对实时性、稳定性、准确性的要求。