织物缺陷在线检测是纺织行业面临的重大难题，针对当前织物缺陷检测中存在的误检率高、漏检率高、实时性不强等问题，提出了一种基于深度学习的织物缺陷在线检测算法。首先基于GoogLeNet网络架构，并参考其他分类模型的经典算法，搭建出适用于实际生产环境的织物缺陷分类模型；其次利用质检人员标注的不同种类织物图片组建织物缺陷数据库，并用该数据库对织物缺陷分类模型进行训练；最后对高清相机在织物验布机上采集的图片进行分割，并将分割后的小图以批量的方式传入训练好的分类模型，实现对每张小图的分类，以此来检测缺陷并确定其位置。对该模型在织物缺陷数据库上进行了验证。实验结果表明：织物缺陷分类模型平均每张小图的测试时间为0.37 ms，平均测试时间比GoogLeNet减少了67%，比ResNet-50减少了93%；同时模型在测试集上的正确率达到99.99%。说明其准确率与实时性均满足实际工业需求。

在分布式存储系统中，一般都是以磁盘空间利用率（DU）来判断各存储节点的负载均衡程度，当所有节点的磁盘空间利用率相等时，是整个分布式存储系统的存储负载均衡点。但是在实际的应用场景中，磁盘I/O速率比较低的存储节点和可靠性比较低的存储节点往往成为影响整个存储系统数据读写性能的瓶颈，因此在异构分布式存储系统中，特别是各存储节点磁盘I/O速率和可靠性差异较大的分布式存储系统中，如果仅仅以磁盘空间利用率作为存储负载均衡的判定条件，则其数据的读写效率必然受到限制。从读写效率的角度提出一种度量分布式存储系统中存储负载均衡的新思路。根据负载均衡理论和熵理论给出存储熵（SE）的定义，并提出一种基于存储熵的负载均衡算法，该算法通过系统负载判定、单节点负载判定和负载迁移实现了对分布式存储系统存储负载的量化调整，并通过实验与基于磁盘空间利用率的负载均衡算法进行了对比分析，验证了该算法对分布式存储系统中存储负载具有良好的均衡性，有效地控制了系统负载失衡的问题，提高了分布式存储系统的整体读写效率。