对无纺布进行瑕疵检测，可以帮助企业提升生产效率，节约成本，但是基于CNN的目标检测算法受限于卷积核的局部特性，缺乏对图像的全局建模，对尺度变化范围大的瑕疵检出效果不理想。因此，提出了基于Swin Transformer和YOLOv5的无纺布瑕疵检测方法，并引入了CBAM注意力机制，同时微调了预测目标框的anchor尺寸；在自制数据集上对所提方法的有效性进行了验证。结果表明，通过其强大的自我注意力对特征进行编码、解码，网络可以获得更大的感受野，充分联系上下文关系；Swin的基于特征金字塔的分层构建结构与YOLOv5的neck设计十分相似，可以帮助网络在多尺度特征图上对目标进行预测；网络对重要信息的关注度得到了提高；通过Mosaic和MixUp数据增强丰富了数据分布；模型的鲁棒性和对无纺布的检测性能得到提高，回归预测结果更精准。
