衣食住行是人民的生活所需,在衣物方面,布匹是制作衣物不可或缺的一种原材料。因此纺织业需要生产大量的布匹,以满足人们对衣物的需求。随着生活水平地提高,人们对于衣物质量的追求也变得更加严苛。由于机械操作不当、客观环境等因素会让纺织机在生产布匹的过程中出现疵点,常见的疵点有破洞、污渍、错纱、断纱等。决定布匹质量好坏的一大关键因素是布匹表面是否存在疵点,存在疵点的布匹其售价远远低于没有疵点的布匹,售价的下降会导致企业利润降低,轻则减少收入,重则导致企业或者工厂倒闭。为了提高企业收益,需要剔除出有疵点的布匹,而目前许多企业还保持着人工检测的方式。由于工人的熟练度会影响检测效率,而且长期利用肉眼会产生视觉疲劳,导致检测速度下降,不适应于实际的生产。因此,利用机器视觉去替代人眼,实现布匹疵点的自动化检测显得尤为重要。实现机器视觉检测的关键是需要合适的检测算法,能够快速有效地检测出布匹疵点。近年来,随着机器学习在图像处理、目标检测等领域的广泛应用,使得布匹疵点检测算法的实现变为可能。本文提出了基于机器学习的布匹疵点检测算法,旨在更好地实现布匹疵点的自动化检测。主要研究工作如下:(1)提出一种基于特征提取和支持向量机的布匹疵点检测算法,主要包括特征提取和分类学习两个部分。布匹表面纹理具有周期性变化的特点以及表面结构组织排列具有均匀性的特点,同时具备方向性和均匀性,当布匹表面出现疵点时,布匹纹理的完整性和结构性就被破坏,疵点出现位置的特征值相比于无疵点位置的特征值发生了变化。本文考察MFS、HOG、SIFT、PHOG、HOG-NMF这五种视觉描述子算法用于表征布匹图像,以更好地区分有无疵点。由于布匹生产线的限制,布匹缺陷图像样品量有限,故检测分类可采用支持向量机。支持向量机适合小样本训练,能够很好地弥补样本量有限的问题。检测算法先提取训练样本的布匹块特征,标记已知图像块的含疵点信息,将布匹块特征和疵点标记信息输入支持向量机进行训练,得到网络模型。然后提取待检测布匹块的特征,输入训练好的网络结构,根据网络的输出结果判断疵点情况。(2)提出一种基于卷积神经网络的布匹疵点检测算法。由于特征提取的检测方法特别依赖特征提取算法,不能自适应学习,通用性差。利用卷积神经网络良好的自适应学习能力,提取合适的布匹纹理特征,可以实现高效的检测。本文利用AlexNet、VGG16、VGG19、GoogleNet和改进的CNN这5种网络模型进行布匹疵点检测,判断布匹是否包含疵点。(3)提出一种基于Faster RCNN的布匹疵点检测算法。由于卷积神经网络适合于疵点分类,而不能实现布匹疵点的定位。因此,采用Faster RCNN来实现布匹疵点区域的定位以及疵点的分类。先用RPN网络(Region Proposal Network)确定可能包含疵点的候选窗口,之后利用卷积神经网络的分类判断疵点类型,然后利用回归判断候选窗口的精确位置,实现疵点的准确定位和辨别。本文实验图像数据来自TILDA标准布匹图像库,利用条纹布、方格布、斜纹布、平纹布这四种类型的布匹来验证算法的有效性,其中疵点类型是错纱、污渍、断纱、破洞这四种。通过大量实验结果的分析,本文的算法能够有效地检测出布匹疵点,实现疵点区域定位和疵点类型分类,能够为企业、工厂实现布匹疵点检测提供参考借鉴。