随着人们生活水平的提高要求纺织行业能够提供高质量的纺织品,而影响织物质量的主要原因之一就是纺织品表面疵点。一直以来织物疵点检测都是由人眼完成,这不仅消耗了大量人力物力,而且检测精度低。因此,发展能够实现疵点的在线、实时自动检测的系统具有重大意义。本文主要研究了织物疵点检测的算法并设计了基于机器视觉的疵点在线、自动检测系统。主要工作如下:(1)本文主要对两大类疵点进行了研究,即布匹常见的疵点和缝合疵点。对常见疵点的研究提出采用小波变换、灰度共生矩阵和BP神经网络相结合的疵点检测算法,该算法首先要对待检测织物样本图像进行小波分解,对于不同织物,由于其纹理结构各异,在小波分解过程中需要选择合适的分解尺度;其次对小波分解后得到的四个子图像中的水平高频子图像和垂直高频子图像利用灰度共生矩阵提取特征值,最后利用BP神经网络实现检测。实验证明该算法能够准确检测常见的疵点,检测效果较好。对于常见的五类缝合疵点本文采用基于小波分解和BP神经网络的改进阈值法进行疵点检测,小波分解以衰减背景纹理和突出疵点构成了分割的第一步,在函数重构中低频子图像用于增强疵点信息,因此选用低频子图像完成进一步分割得到二值图像,采用基于傅里叶变换的频谱方法提取该二值图像的特征值,利用BP神经网络完成分类。经过实验证明该方法对缝合疵点具有良好的检测和识别精度。(2)本文提出一种新的多尺度多方向自相关函数法检测疵点。一般正常织物纹理具有周期性、方向性和随机性三个视觉特性。疵点的出现破坏了纹理的视觉特性,使得织物纹理特性发生畸变,主要凸显在方向性特征上,因此本文采用多尺度多方向的自相关函数法检测疵点。文中采用的是三尺度三方向的自相关函数法,该方法首先选择一个合适的扫描窗口扫描图像,通过均值下采样和图像块旋转实现多尺度多方向,每一个图像块自相关函数的方差作为特征值输入LVQ神经网络分类器完成检测。文中将此方法与基于Log-Gabor滤波器组提取特征值的检测方法进行了对比,证明该方法能快速、准确的实现疵点检测,检测速度优于基于Log-Gabor的方法。(3)在实验室环境下设计并搭建了一套疵点自动检测系统,软硬件结合实现布匹疵点在线、实时检测。实验表明该系统对常见的布匹疵点检测具有可靠、准确、实时性好的优点,可考虑进一步在工业领域调试。