织物纹理图像缺陷检测是纺织行业生产和质量管理的重要环节之一,目前人工检测存在检测速度慢,劳动强度大,受主观因素的影响,缺乏一致性等问题。计算机视觉技术随着计算机硬件和图像处理技术的发展,在工业表面检测领域有了越来越多的应用。现在纺织业正在使用的缺陷自动检测系统都来自国外,且成本高,只能检测一些明显的缺陷类型。我国纺织企业有着总体数量多,个体规模不大的特点,因此,国外昂贵的缺陷自动检测系统难以被国内大部分纺织企业所接受,人工检测仍旧为主要的检测方法。近年来,国内也出现了许多关于缺陷检测的新算法以及系统,但是受到算法复杂度和系统成本的限制多数未投入实际应用。目前图形处理器(GPU:Graphics Processing Units)在工程领域的应用越来越广泛,它为高强度计算过程效率的提高带来了新的思路和解决方案。在此基础上,本文对基于统一计算设备架构(CUDA: Compute Unified Device Architecture)的高性能纺织纹理图像缺陷检测技术进行了深入研究,提出了一整套适合CUDA并行处理的缺陷检测算法,以个人PC机为平台实现了基于CUDA的纺织纹理图像缺陷自动检测软件系统,为构建高性价比的缺陷检测系统提供了理论和实践基础,推动我国纺织行业缺陷检测技术的发展和应用。本文全面地研究了纹理图像缺陷检测技术,分析了现有技术的问题和难点,引入GPU作为本文缺陷检测技术的主要处理器,针对CUDA技术和织物纹理图像缺陷检测的特点,提出了面向织物缺陷检测的CUDA并行图像处理模型和一系列新的检测算法,并根据该模型对缺陷检测算法进行了优化,具体研究内容如下：●针对并行图像处理问题,本文设计并提出了基于CUDA的并行图像处理模型,该模型包括应用CUDA进行图像处理的通用模式以及程序优化的基本方法。图像处理算法多种多样,但基于CUDA的图像处理具有一个共同模式,本文设计和归纳了这一模式,并根据该模式,在CUDA平台上实现了典型图像处理算法的并行化,同时详细地描述了利用CUDA对常用算法进行优化的方法。●为了实现快速的缺陷检测,本文提出了基于方向算子的织物图像缺陷判断算法以及CUDA优化策略。该缺陷判断算法充分利用了织物纹理图像的灰度和方向信息,提取图像块中的特征值,然后通过对特征值进行行和列的累加,加大正常织物纹理图像和缺陷纹理图像特征值的差异,使得缺陷判断结果更加准确。本文通过大量的图表详细地介绍了利用CUDA对该算法进行优化的策略。实验结果表明了该缺陷判断算法的准确性以及CUDA优化策略的高效性。·为了解决并行缺陷分割问题,本文提出了基于区域生长型脉冲耦合神经网络的织物图像缺陷分割算法以及CUDA优化策略。该缺陷分割算法将改进的脉冲耦合神经网络模型同区域生长的理论结合起来,同时引入无缺陷样本图像的灰度统计信息完成了纹理图像缺陷的自动分割,且得到了较好的分割结果。另外,由于神经网络算法具有内在的并行性,因此,本文提出的缺陷分割算法能够很好的应用在CUDA平台上,实验结果表明了本文CUDA优化策略的高效性。·本文利用缺陷分割得到的结果实现了织物纹理图像的缺陷分类。相比较于缺陷判断和缺陷分割算法,织物图像缺陷分类算法对实时性的要求较低。在对现有织物纹理图像缺陷分类方法以及缺陷特征提取方法学习和研究的基础上,本文设计并实现了基于纹理图像灰度共生矩阵特征的SVM分类。利用前面缺陷分割的结果得到织物纹理缺陷块图像,计算缺陷块图像的灰度共生矩阵并提取特征值,将其作为特征向量输入到SVM中训练,最后得到了较好的分类效果。