纺织品在日常生活、国防和医疗等领域有着十分重要的作用。织造过程瑕疵的出现不仅损害产品的外观和质量,织物瑕疵(或断线)若没被及时发现还会导致材料的极大浪费。本课题利用数字图像处理技术与机器学习实现织物瑕疵的检测与识别,旨在提高织物瑕疵识别算法的通用性和检测精度。研究开发织物瑕疵检测和识别系统,探讨其在工业应用上的适用性和可能性。主要工作总结如下:针对网眼织物纱线排布的稀疏性,提出了一种适用于网眼织物检测的自适应瑕疵分割方法,解决了现有的常规织物检测算法对网眼织物检测适用性差的问题。该算法在对图像进行频谱分析后,利用特定的频域滤波器将正常纹理背景削弱,以突出瑕疵区域的特征。随后通过对滤波后的图像进行灰度分布统计分析自适应地求取分割参数,利用区域生长法提取瑕疵区域。针对区域生长法提取瑕疵时可能出现伪瑕疵的问题,利用形态学滤波最终得到剔除伪瑕疵后的标记区域。所提出的智能算法结合了频域滤波与区域生长法各自的优势,使瑕疵区域具有清晰准确的边界轮廓,对光照条件变化的抗干扰性较强。目前网眼织物瑕疵检测的研究较少,所提出的算法对该类稀疏织物的瑕疵检测研究具有一定的参考价值。平纹织物瑕疵种类繁多且形态各异,本论文提出采用基于支持向量机(SVM)的检测算法对其识别。与传统的机器学习相比,基于统计学习理论的支持向量机在非线性、小样本和高维度情形下有更好的学习能力。为解决生产实际中足够数量且类型全面的瑕疵样本训练集难以获得的问题,首先基于异常检测方法利用正常样本为训练集构建单类SVM分类器进行瑕疵检测,获得了较高的检测精度。而后利用单类SVM识别出的足够数量的正负样本为训练集构建多类SVM分类器进一步提高检测准确率。通过实验确定两组对不同类型瑕疵检测各具优势的特征向量并对特征空间和SVM参数进行优化。进一步提出的基于两组特征向量的联合检测方法能够有效降低实际应用中算法的漏检率和误检率。为实现织物瑕疵的检测与智能识别,根据工业应用实际需求确定检测系统的总体设计方案,对检测平台进行硬件、软件和算法设计。该系统根据瑕疵检测的实时反馈结果对执行机构进行控制,通过人机交互界面可实现相机基本参数设置、图像采集设置和电机控制等,为用户的操作带来便利。该论文的研究工作为纺织工业企业织物瑕疵的检测与智能识别提供了理论支撑和实验依据。