经编布匹是纺织行业的重点生产对象,具有广泛的应用场景。目前,企业在经编布匹生产过程中大多沿用人工检测方式进行质量控制。这种方法存在检测效率低、劳动强度大等缺点。随着机器视觉技术在纺织领域的发展,部分企业研发了基于机器视觉的瑕疵检测系统,一定程度上改善了工人检测的缺陷。然而,现有的瑕疵检测系统多采用统计法、频谱法等瑕疵检测算法,依赖于专家经验,无法满足经编布匹工业化生产要求。因此,本文研发基于深度学习算法的经编布匹瑕疵检测软件系统具有重要的工业应用价值和意义。首先,根据经编布匹的检测要求,选择相机、图像采集卡等硬件,搭建经编布匹瑕疵检测系统与瑕疵图像采集平台。为了提高深度学习模型训练的鲁棒性,设计基于图像几何与图像像素变换的数据增强方法,对经编布匹瑕疵数据集的数量进行扩大。通过实验对比分析基于深度学习的目标检测、语义分割算法,选择符合经编布匹瑕疵检测特点的算法,降低算法的开发成本与软件的编写难度。然后,选择U-Net作为本文瑕疵检测算法的基础网络。研究残差结构及相关变式,引入循环残差结构对编码与解码过程进行优化,缓解卷积网络过深造成的网络退化问题。根据经编布匹“小瑕疵大背景”的特点,在深度学习模型的训练过程中引入加权损失函数,减小检测结果的背景倾向,提升模型训练的速度。在经编布匹瑕疵数据集上进行实验验证,结果表明,改进后的算法平均精度提高约5%。最后,运用C#、C++编程语言与Libtorch等开源的工具开发瑕疵检测软件系统中的深度学习瑕疵检测模块。并在人机交互界面中利用瑕疵相册、地图、信息表对检出的经编布匹疵点进行综合描述。基于数据传输模式与数据传输协议,设计与实现瑕疵检测软件系统中的数据传输与控制模块,完成PLC打标机的精准贴标功能。在实验室与工厂进行多次测试,结果表明,本文设计的瑕疵检测软件系统检测速度可达0.5～0.7m/s、贴标误差在5cm以内,满足企业的需求。