色织物缺陷检测是纺织品制造中质量控制的核心。然而,传统的人工检测方法存在误检率高、检测速度慢及劳动强度大等缺点,且检测结果易受到主观因素和外界环境的影响。由于色织物缺陷种类繁多,现有的检测算法难以满足准确性和普适性的要求。本课题将色织物缺陷检测算法作为主要研究内容,以算法的准确性和普适性为目标。具体工作如下:(1)针对图案织物缺陷检测问题,采用LBP和HOG特征相结合的检测算法。首先,对图案织物进行直方图均衡化处理,使图像的灰度值分布均匀并增强图像细节。均衡化后的图像通过距离匹配函数被分解为多个重复单元,提取LBP和HOG特征并使用PCA降维。其次,通过带有类别标签的重复单元特征来训练支持向量机。最后,利用训练好的分类器依次判断织物图像中的重复单元是否存在缺陷,并输出重复单元在织物图像上的位置,实现图案织物缺陷检测。(2)针对小样本下色织物缺陷检测问题,采用基于卷积神经网络的织物缺陷检测算法。为达到同时检测和定位缺陷的目的,在训练阶段将图像分解后的局部块作为训练样本,测试阶段对原始织物图像按其周期依次检测。首先,采用MNIST数据集预训练网络模型并保存训练后的模型参数,将其作为训练织物局部块的初始化参数。然后,采用自相关函数将原始图像分解为局部块并标记相应的类别构造新的数据集,加载预训练模型采用迁移学习的方法进行参数微调,以此来加速和优化学习效率。最后,利用训练好的模型在原始图像上滑动来检测每个局部块的缺陷,并获得缺陷的位置。(3)针对净色布和图案织物缺陷检测问题,采用基于非下采样轮廓波变换和广义高斯混合模型的织物缺陷检测方法。首先预设检测窗口大小,采用非下采样轮廓波变换提取每个窗口中的特征。然后使用广义高斯混合模型对非下采样轮廓波系数特征进行建模。最后选择无缺陷的子块作为模板,计算模板与待检测子块的广义高斯混合模型之间的相对熵,通过阈值实现缺陷检测。本文图35幅,表8个,参考文献93篇。