随着当今社会计算机和图像处理技术的发展,计算机视觉技术在纺织工业上的应用也越来越广泛。在纺织品表观质量检测尤其是织物疵点的计算机视觉检测一直是各国学者的研究热点。随着劳动力成本的增加,自动化检测已经成为了一种的趋势。疵点检测的方法很多,但是在检测过程中发现有一类疵点比较难检测,且它们都具有一定的共性：外观形状较为细长的、尺寸较小。针对这一类机织物疵点的检测研究比较少,并且检测效果不好。本文首先根据检测方法将疵点按照外观形状、尺寸分为四类：线状疵点、大面积带状疵点、斑块状疵点和其它疵点。线状疵点指的是外观形状为细长型的疵点,它们反映在织物上是有些是连续的,有些是间断的。并且其在织疵中占有一定的比例,但是在以往的自动检测算法研究中线状疵点检测效果不太理想。这为本论文的研究提供了个较为清晰的对象范围。通过相关研究表明AR模型的方法比较适合这类疵点的检测。首先将获取的正常纹理和包含疵点纹理的织物图像按照一定的子窗口大小分割,分割后的窗口形成一个矩阵L(i,j)(8×8个子窗口)。此后再利用织物纹理具有周期性和取向性的这一特点,通过研究得到一种特征提取方法：先将图像中每个子窗口内的灰度值按照纵向和横向分别进行特定的运算,得到行和列两个序列,然后把着两个序列首尾相接联合起来构成第三个序列。然后根据这种方法将其中的运算分别使用均值、方差、极差等算法经过一系列的运算,得到三种特征：方差特征、灰度CV值特征、极差特征。以线状疵点的作为主要研究对象,通过初步的试验研究表明,方差特征序列作为线状疵点检测的特征比较优越。为了得到一个较好的检测效果和较高检测速率,对AR模型的阶数进行了优选。首先通过对平纹、斜纹两种不同的纹理在一个较为广泛的阶数范围逐步的缩小,然后再在较为合理的阶数范围3-6阶中通过试验分别对两种纹理进行阶数的优化,最终试验表明4阶作为两种纹理的AR模型阶数比较优越,其次再依据Burg算法对正常纹理和带有疵点纹理进行估计分别得到相应的谱数据。最后通过对比正常与非正常纹理的谱估计之间的相关性检测出疵点及其位置,并在原织物图像上标记检测出的疵点位置。最后通过分别对经向线状疵点、纬向线状疵点以及非线状疵点进行了一定的试验验证,发现此方法对线状疵点有较好的检测效果,同时也看出其对于非线状疵点也有效。