传统的织物疵点检测依靠人工来完成,检测过程中容易受到主观因素的影响,且效率低下。随着生产工艺和技术的进步,织物疵点自动检测系统逐步代替人工检测,而成为确保织物质量的一种重要手段。但是,目前的织物疵点自动检测系统主要是针对白坯布,因此,本文基于机器视觉和图像处理技术,对应用于宽幅面、高密度色织物的疵点自动检测理论和算法进行了研究,解决了在带有图案的色织物表面进行疵点自动检测和分类的许多关键问题,这也正是本课题研究的主要目的。论文涉及了色织物疵点自动检测系统的研究现状、检测和测量硬件平台的设计、基于分数阶微分的织物图像纹理增强方法、基于能量局部二值模式的色织物疵点智能检测算法、基于组合特征和支持向量机的色织物疵点自动分类识别方法等主要内容。第一,综述了织物疵点自动检测系统的研究进展。首先,讨论了本课题的研究意义,即应用织物疵点自动检测技术极大的提高了劳动生产率和企业利润收益。其次,调查了本课题的研究背景,对于目前世界三大商用织物疵点自动检测系统的功能和应用状况进行了简要说明,得出课题继续研究的必要性。最后,概述了本课题的国内外研究现状,根据检测对象的不同,主要分为白坯布、灰色图案织物、色织物等疵点自动检测方法。白坯布疵点自动检测算法研究较为成熟,分别为：基于空域的统计方法是把待检测织物图像分割成具有截然不同的统计特征的区域来区分疵点；基于频域的方法是利用织物中基本纹理基元(组织结构)高度的周期性类似于谱特性的规律,可以用谱方法来检测织物疵点；基于模型的方法是指织物纹理能被统计建模,疵点检测被看作这个模型的假设检验问题。灰色图案织物疵点检测方法研究较少,主要有基于模板图像匹配和利用单元重复图案窗口阈值化的方法来检测疵点。色织物疵点检测的方法要考虑色彩模型和更多的疵点种类(织造类疵点和颜色类疵点),目前只是对刚性材料(如瓷砖、木头等)的疵点检测做了一些研究,而对柔性材料(如色织布、印花布等)的疵点检测方法尚没有突破。第二,介绍了色织物疵点自动检测系统硬件构架的设计方案。首先,给出了硬件架构的总体设计。其次,重点讨论了图像采集硬件子系统的设计,主要分为如下几方面：根据照度匹配原理,选择LED长条形阵列照明光源,并讨论了光源的正向和背向照明结构；CCD相机和图像采集卡的选择,并详细说明了选择CCD相机应考虑的因素；疵点尺寸的图像测量是不同于以往疵点检测系统的新功能,因此需要对多CCD相机系统进行标定,这里介绍了图像测量原理和CCD相机标定理论,计算出每个相机的空间精确位置和姿态参数,并结合色织物疵点测量精度的要求,通过实验确定出像素相当量。最后,介绍了色织物疵点检测FPGA(现场可编程逻辑阵列)专用开发板的接口设计和DSP(数字信号处理器)处理器的选择,这是整个硬件系统的核心处理模块；由于色织物疵点检测和识别需要处理大量数据,所以选用高性能DSP专门进行图像数据运算,而信号控制和数据传输由多通道FPGA来实现；这样就可以构建高速图像同步并行处理硬件子系统,极大提高整个系统的运行速度,使系统具有实用性。第三,讨论了把分数阶微分应用于织物疵点图像纹理增强的方法,这属于织物疵点自动检测的图像预处理。图像增强是图像处理的重要内容,它通过适合的图像变换使所得结果易于被理解和处理,或者通过技术处理使视觉清晰度得到改善和提高,都是为图像后续有针对性的应用分析打下基础。本文中Grumwald-Letnikov分数阶微分是在Euclid测度下定义的,是通过把微分阶次从整数阶变换到了分数阶的结果。另外,织物疵点图像显然包含有十分丰富的纹理信息,而分数阶微分作为整数阶微分的一种延拓,与整数阶微分相类似,它可以实现织物图像纹理的锐化增强。通过在频域里分析分数阶微分的幅频特性,总结出分数阶微分应用于织物图像增强将使图像边缘明显突出、纹理更加清晰和图像平滑区域信息得以相对保留；基于分数阶微分动力学理论的图像纹理特征检测也被发展,通过稳定系数对图像纹理特征检测的验证分析,分数阶微分不但可以锐化图像灰度值跃变较大的边缘轮廓,而且能够锐化灰度值跃变不大的平滑区域纹理细节特征；根据图像信号的分数阶微分数值差分运算表达式的多项式系数,构建了各向同性分数阶微分的织物图像增强算子。分别对白坯布和色织布疵点图像进行分数阶微分增强实验,定性分析了分数阶微分应用于织物图像增强的有效性。对于白坯布图像还定量地得出了增强后的织物纹理边缘平均测度明显好于原始织物,从而间接地说明了用分数阶微分对织物疵点图像进行非线性增强的良好效果。第四,设计和实现了基于能量局部二值模式的色织物疵点智能检测算法。这个算法的目的是为了实现快速、有效的利用机器视觉检测色织物疵点,并且考虑颜色和结构两类纹理信息。算法的过程为：(1)把用分数阶微分增强的色织物纹理图像从RGB空间转换到L*a*b*均匀颜色空间；(2)在这个空间里,色彩和灰度通道图像分量分别用Log-Gabor滤波器滤波后再进行融合,得到能量特征疵点图像,解决了色彩类疵点和组织结构类疵点能同时呈现在同一能量特征图像上的难题；(3)通过对色织物的能量特征图像进行分析可知,疵点通常呈现不规则、非均匀的局部较亮区域,其大小从几个像素到几十个像素不等,而色织物的背景图案在能量特征图像中呈现出规则、均匀的较亮区域,因此,需要寻找一种强有力的局部纹理描述算子,并辅以恰当的扫描比对机制,对色织物能量特征图像的疵点区域进行检测。特征图像的纹理能量谱和源于纹理分类的局部二值模式(LBP)之间的结合关系被定义为一个新的概念——能量局部二值模式算子,这个算子具有简单仿射变形的不变性；(4)依据样本图像最小重复单元图案把无疵参考图像和待检测图像分割成窗格,计算每个分割窗口的能量局部二值模式特征向量；(5)在训练阶段,对无疵参考图像进行训练学习以获取无疵窗似然估计阈值,在检测阶段,通过把检测窗似然估计值和阈值进行比较,检测出疵点窗,从而分割出疵点区域。提出的方法能够检测色彩类疵点和组织结构类疵点。通过对不同种类的色织物和不同类型的疵点进行检测验证,总的平均检测成功率达到94.09%；检测速度也足够快,适用于离线疵点检测。最后,探讨了基于组合特征和支持向量机(SVM)的色织物疵点自动分类算法。这个算法分类的结果将使色织物疵点自动评价方法能够实现,文中主要从三个方面进行讨论：首先,介绍了组合特征集的提取。几何特征参数被定义,并基于疵点二值图像统计出疵点的几何形状特征参数,用于描述色织物疵点六个几何特征(纬长、经长、纬经长度比、周长、面积和圆度)，同时,纹理特征参数也被定义,基于疵点能量纹理图像计算出疵点的能量致理特征参数,用于描述色织物疵点的三个纹理特征(粗糙度、对比度和方向度)；把六个几何特征参数和三个纹理特征参数提取过程合并起来,组建获取九个特征的组合特征提取器,使提取的组合特征能很好的定量描述疵点表面特征的差异；这些参数被用作优化的SVM分类器的输入,以便获得符合色织提花织物中国国家标准(GB/T22851—2009)总的疵点类别(断经、筘路、断纬、稀密路、破洞和污渍)。其次,探讨了疵点图像分类采用径向基核SVM分类器实现,并对通用的SVM分类模型进行优化,使其更加适合色织物疵点的分类。对分类器的两个主要参数通过网格搜索的方法进行最优化选择,以便在应用中能取得最高的分类准确率；当组合特征集被用作SVM分类器的输入时,留一法交叉验证方案被用来防止有偏的分类。最后,用带有不同花型的三种色织物180幅疵点图像进行测试,实验表明,这些多种类样品中超过91%的疵点能被正确分类识别。与获得89.4%平均分类准确率的BP神经网络分类方案相比,本文分类算法更加鲁棒和有效。