由于异物本身大小不等、形态各异、材质不同等因素，异物检测技术发展缓慢，已经出现的技术对实际生产并无本质改善。当前国内外主流的异物检测技术方案主要分为两种，第一种是电磁感应金属检测器，其分为手持式、桌面式和传送带式三种，其主要是依据成品内是否含有铁磁性成分来筛检异物。另外一种是半自动X光检测机，即利用X射线成像系统可视化待检测的成品，交由肉眼去识别图像中的异物。其适用场景为人工观测、精度不高情形下的异物检测，因此虽然半自动X光检测机在工业生产环节有一定的应用价值，但其检测精度受人为主观性因素影响十分严重，在高速的流水线上，人工目检劳动强度大，视觉疲劳状态下检测精度低，同时肉眼几乎无法精确识别小尺度异物。因此工业界急需设计一种可视化、自动化、具有更多应用场景的一体化检测系统，能够有效弥补现有各类检测方法的不足，彻底解决纺织行业的异物检测问题。针对当前深度学习目标检测SOTA算法如Yolov5、YoloX、
通常的异物检测任务默认包含断针及钢珠的检测，实际异物面积占比仅为原图的，这需要检测器对小目标有更高的检测精度。传统目标检测器感受野适配性不强，底层特征语义信息流失严重，使得小目标检测精度较低，因此需要对算法的小目标检测精度要求较高。此外，实际场景中还存在类似剪刀、钥匙、大头针等大异物，受成像影响，此类异物在图像中的放置角度不固定。如何较好的适应几何形状变化较大和不规则的异物也是难点之一。
能够满足产品自学习功能，即通过人工在线画框，实现产品已有特征自学习，防止误报。
算法检测精度能够达到对0.8mm钢球检测，0.6mm断针检测。
算法对大异物检测精度不低于98%，误报率不高于5%。