产品的质量控制在当今商业市场竞争中起着十分重要的作用。在纺织工业中,布匹的疵点是影响布匹质量的主要因素,而疵点检测则是保证布匹质量的主要手段。传统的人工检测,劳动强度大,检测速度低,其检测精度会受到验布工人的经验与疲劳程度影响,缺乏一致性与可靠性。因此采用布匹疵点的自动检测是纺织工业生产中布匹质量控制的必然趋势。本文将机器视觉技术引入纺织工业检测领域,并用以完成布匹疵点的检测。其关键在于通过对布匹图像的处理与分析,设计一种检测算法能快速高精度地检测出不同布匹中的各种疵点。本文采用了检测精度、通用性(即对各种布匹与疵点都有效)与实时性(对应于检测速度)等三个指标用以衡量检测算法的检测性能,并根据检测目的与检测结果表现方式的不同,将布匹疵点检测分为疵点判别与疵点分割两种类型。为了使检测算法具有较高的通用性,即对各种类型的布匹与疵点(包括全局疵点与局部细小疵点)都具有高检测精度,本文采用了多分辨率分析方法在多个尺度上对各种类型的布匹疵点进行分析,采用非采样小波变化取代标准小波变换以达到平移不变性,并将其用于布匹疵点判别。为了提高检测精度,本文提出了一种小波分解尺度选择策略,能够根据待检测布匹纹理频率特性对非采样小波变换的分解尺度进行自适应的设定,以抑制布匹正常纹理能量并增强疵点区域能量。检测算法采用了一个简单高效的小波系数幅值划分与数据融合方法,将各个尺度的小波分解系数进行融合,并从融合后的图像中提取出若干个基于疵点能量估计的特征用于进行疵点判别。由于疵点判别方法仅能够检测出疵点在布匹图像中的位置,为了获得疵点的形态学特征(如大小、长度、方向等),本文对基于多分辨率分析方法的疵点判别算法进行了改进,提出了一种基于Gabor小波的疵点分割算法,并提出了一种自适应的Gabor小波调校方法,能根据待检测布匹的纹理特性对Gabor小波的参数进行自适应设定。与非采样小波变换相比,Gabor小波变换能更灵活地对各个滤波器的通带中心频率进行调校,因此能够更好地抑制布匹正常纹理能量并增强疵点区域能量,从而使得正常纹理与疵点区域之间具有更大的差异。对滤波后的图像进行阈值分割后,能达到更高的分割正确率。本文通过大量实验将该疵点分割算法与两种无自适应调校的Gabor滤波器疵点分割算法进行比较,结果表明,本文所采用的方法具有更好的实时性以及分割正确率。针对大多数布匹疵点检测算法的实时性不足问题,本文提出了一种基于机器学习的高实时性布匹疵点判别算法。该算法从布匹图像中提取了两个灰度共生矩阵特征与两个新的纹理特征以刻画布匹纹理并突出其中所包含的疵点,并采用支持向量数据描述分类器对提取出的特征进行分类,判断其是否为疵点。在特征提取的过程中,提出了一种自适应的量化方法,将原本含有256个灰度级别的原始图像量化为少量的量化级别,极大地减少了各个纹理特征的计算量,提高了检测算法的实时性。本文论述了布匹疵点视觉检测系统的结构,分析了系统各个组成部分(如光源与成像、图像采集与处理、人机交互等)的功能与实现方式。采用嵌入式数字信号处理器取代通用CPU完成检测功能以提高系统的计算能力,并详细论述了图像采集、传输与处理的方式,提出了一种两级双缓存策略,使得图像的传输与处理并行化,从而提高系统的计算效率。