《织物疵点智能检测：深度学习方法研究与应用》系统梳理了深度学习在工业表面质量检测领域的前沿理论体系与关键技术应用，以织物疵点智能检测为核心研究对象，全面覆盖工业场景中各类表面缺陷的精准识别、定位与分割问题。本书内容循序渐进、由浅入深，从研究背景、行业现状及深度学习基础理论切入，重点解析卷积神经网络、Transformer 架构与注意力机制模型在工业检测中的技术优势，系统阐述疵点检测、缺陷分割模型的构建原理与实现方法，深入探究多类检测模型的轻量化技术，并结合典型工程应用案例，验证模型的落地可行性与实用价值。《织物疵点智能检测：深度学习方法研究与应用》兼具理论严谨性、技术系统性与工程实用性，可为织物疵点检测及工业表面检测相关领域的科研人员、工程技术人员提供全面、专业的参考。

第1 章 绪论1 1 研究背景和意义1 2 国内外研究现状1 3 本书的主要工作及研究成果1 4 总结与展望第2 章 深度学习理论基础2 1 卷积神经网络基础2 2 Transformer 架构基础2 3 深度神经网络压缩与加速方法2 4 优化器2 5 本章小结第3 章 基于多个稀疏滤波器组合的织物缺陷检测算法3 1 网络结构3 2 稀疏滤波器设计3 3 稀疏滤波器组设计3 4 实验部分3 5 本章小结第4 章 基于底层纹理特征保留和自适应预测框的织物缺陷检测算法4 1 网络结构4 2 底层纹理特征保留4 3 SlideLoss 损失函数4 4 PIOU 边界框损失4 5 实验部分4 6 本章小结第5 章 基于空间深度变换和多尺度自注意力的织物缺陷检测算法5 1 网络结构5 2 改进后的骨干网络5 3 空间深度变换卷积5 4 多尺度自注意力模块5 5 实验部分5 6 本章小结第6 章 基于上下文注意级联反馈显著性模型的织物疵点检测算法6 1 基于上下文注意级联反馈的显著性模型6 2 模型评测结果及分析6 3 本章小结第7 章 基于上下文渐进式注意聚合显著性模型的织物疵点检测算法7 1 基于上下文渐进式注意聚合的显著性模型7 2 模型评测结果及分析7 3 本章小结第8 章 基于相邻上下文协调显著性模型的织物疵点检测算法8 1 基于相邻上下文协调的显著性模型8 2 模型评测结果及分析8 3 本章小结第9 章 基于编码器解码器及层次化监督的表面缺陷检测算法9 1 编码器解码器的建立9 2 层次化监督设计9 3 实验结果及分析9 4 本章小结第10 章 基于高效混合Transformer 模型的表面缺陷检测算法10 1 混合Transformer 模型建立10 2 实验结果及分析10 3 本章小结第11 章 基于多特征交叉掩码修复模型的无监督异常检测算法11 1 多特征交叉掩码修复模型建立11 2 混合三重损失函数设计11 3 实验结果及分析11 4 本章小结第12 章 各类检测模型的剪枝与加速算法12 1 基于K_Medoid 相关性权重聚类和灵敏度分析的结构化剪枝算法12 2 基于二维熵特征评估和快速自适应滤波器选择的网络剪枝算法12 3 基于快速子网络评估的PSO 自动剪枝算法第13 章 检测模型应用示例13 1 基于PyQt 的织物缺陷检测系统13 2 航空插头焊点质量检测系统参考文献