织物色差是织物质量评价中的首要参考指标。色差问题将会导致织物返厂重制,该过程需要经过多次剥色和重新染色工序,使得公司生产成本高、资源利用率低,因此研究织物色差检测方法具有重要意义。国内大部分中小企业现阶段仍然采用人工检测来判断织物色差,少数具有经济能力的大中型企业主要采用国外的检测仪器进行色差检测。针对企业对织物色差检测的实际需求,本文采用结合机器视觉和图像处理技术的方法,实现了织物色差检测和织物颜色自动分类,有效提高了织物色差检测的效率和准确性。论文主要进行了以下研究工作:首先,为了获得高质量的织物图像,对图像采集系统进行了硬件选型与设计。使用高精度彩色线阵相机,从源头上提高了织物图像品质;同时,设计使用传送带运动装置,以满足彩色线阵相机所需的采集速度;选择D65标准光源采用45度照射角度,让织物处于合适的光照条件,使采集到的织物图像颜色更接近于实际的织物颜色,降低了系统检测误差。其次,开展了织物色差检测算法研究。对比分析了几种颜色空间和滤波算法,选择在RGB颜色空间采取双边滤波算法进行图像预处理,去除了图像采集过程中产生的噪声影响。然后提取织物图像的RGB颜色特征,转换到均匀性较好的CIELAB颜色空间,采用视觉一致性较好的CMC(1:c)色差公式进行色差值计算,并根据色差评判标准进行色差等级划分,可以检测出不同织物之间的颜色差异,实现了织物染色不一致性检测。为了检测出同一织物中的颜色差异,进行了定性与定量两方面的算法研究。研究了超像素分割法、显著性算法和自适应阈值法,并进行了织物染色不均匀性定性分析,实验结果表明这三种方法可以在视觉上直观快速地分辨出同一织物上是否存在颜色差别。为了定量检测织物染色不均匀性,将织物均等分割成块并计算出每块区域的色差值,根据色差值的大小差异判断出同一织物中的主要颜色差异。同时,设计了织物色差检测可视化界面,可以简单直观地显示出织物色差的检测结果。最后,采用Inception_v3和ResNet50神经网络分类算法进行织物颜色分类,对比实验结果表明,ResNet50网络的分类准确度高于Inception_v3网络,准确率可达99%,且稳定性较好,为此选择ResNet50网络应用于织物颜色分类。本文主要对纯色棉质织物的色差检测和颜色分类进行了算法研究,对实现织物颜色质量自动化控制具有一定的参考价值。