墙纸的生产使用量在近几年成倍增长,大量的产品生产以及高强度的生产线使得工人工作压力增大、生产设备老化,导致生产出含有缺陷的墙纸产品,因此墙纸产品缺陷检测成为墙纸生产线上重要的一环。由于目前的墙纸缺陷检测系统主要是在硬件监控上,并且需要大量人力进行检测,成本高检测精度较低,因此采用图像检测的方式成为墙纸检测的发展趋势。选用图像检测的方式检测成本低、速度快,由于墙纸纹路繁多、花纹复杂等因素,导致实际缺陷识别检测不准确,因此一套完整的、准确的墙纸缺陷检测系统在墙纸生产中有着举足轻重的地位,目前常见的墙纸缺陷种类有裂纹、孔洞、褶皱、黑斑四种。在图像基础上进行实验研究,对墙纸的裂纹、孔洞、褶皱、黑斑四种缺陷进行分割检测和分类识别,并且设计一套检测应用系统,将实验模型移植到实际应用当中,确保算法的准确性。主要工作和创新点如下:(1)针对墙纸背景复杂,影响缺陷检测结果等问题,通过观察分析带有缺陷的原始墙纸图像,对图像进行预处理操作。通过对比RGB、HSV、LAB三种颜色空间中的缺陷图像,选择在RGB颜色空间中进行处理,再通过对R、G、B三通道颜色分量进行叠加,以达到增强缺陷、抑制和滤除墙纸背景图像的目的,为后面的缺陷检测做好准备。(2)针对预处理后图像的缺陷检测,首先对墙纸图像的灰度直方图进行高斯拟合,使其图像近似成一条高斯函数曲线,并利用高斯函数的参数作为输入值,分割阈值作为输出值,使用广义回归神经网络模型进行训练,对墙纸黑斑缺陷进行分割。(3)针对使用广义回归神经网络能够检测缺陷种类有限的问题,在该方法的分割思想基础上,提出一种改进最大类间方差法(Otsu)方法进行缺陷分割。通过对传统Otsu方法进行改进,使其分割阈值随着前后景的复杂程度进行改变,从而能够分割出缺陷,最后利用分割后的二值图像得到原始图像中的缺陷部分位置。通过该方法解决了广义回归神经网络分割缺陷种类单一等问题,实现了裂纹、孔洞、褶皱、黑斑四种缺陷的分割检测。(4)针对缺陷识别速度和准确率等问题,对BP(Back Propagation,BP)神经网络、径向基(Radical Basis Function,RBF)神经网络,和使用遗传算法(Genetic Algorithm,GA)优化的BP神经网络进行对比,并选择收敛速度最快、识别准确率最高的模型。在检测到图像中的缺陷之后,对缺陷部分进行分类识别,首先是选择能够表征缺陷部分的特征。实验选择缺陷图像的灰度特征、几何特征共七个特征分量作为分类模型的输入特征,并对输入特征进行归一化,使计算后的特征数值范围能够统一。然后对BP神经网络的权值、阈值进行实数编码,使用网络的期望输出与实际输出计算适应度,再利用遗传算法的选择、交叉、变异操作新的染色体来修改模型,从而得到优化后的BP神经网络,最后对BP神经网络、RBF神经网络和GA-BP神经网络的收敛速度、分类精度等进行对比,选择使用GA-BP神经网络作为分类模型,解决了模型收敛速度慢、分类准确率低等问题。(5)对实验研究进行验证之后,在实验的基础上开发一套完整的墙纸缺陷软件系统,系统软件不仅能够完成缺陷检测、缺陷识别和检测结果查看,还能够对检测结果进行统计分析,形成丰富的统计图和统计表便于用户观察和维护,实现了检测结果和结果统计可视化的需求。实验表明,对原始图像的RGB颜色空间处理后的预处理图像,利用改进Otsu方法检测墙纸裂纹、孔洞、褶皱、黑斑四种缺陷的准确率相比于其他方法更高,分割后的缺陷更为完整,并且由于方法计算复杂度较低,因此检测速度快。在计算了图像的特征之后,使用特征向量作为输入量,利用GA-BP神经网络作为分类模型进行分类识别。相比于其他模型收敛速度更快,分类准确率更高,平均识别准确率达95.25%,并且该方法对单幅像的平均识别时间为0.923s,检测识别效率高。通过改进Otsu算法与GA优化神经网络相结合的方式,能够快速、精确地识别出墙纸缺陷,研究结果为墙纸生产质量检测提供了参考。