织物疵点的有效自动检测已成为纺织品质量控制和评价的关键环节。传统的人工检测方法成功率较低,易受主观因素影响,造成检测效果不理想。基于机器视觉的织物疵点检测成为研究的热点。深度学习具有的多重非线性变换特性以及对图像多层次的抽象能力,能够有效表征复杂纹理的织物图像,因此,将深度学习理论中的卷积神经网络应用到织物疵点检测中。另外,低秩分解模型能实现织物背景与疵点的有效分离。在利用卷积神经网络特征提取的同时,也借鉴了人眼低秩稀疏的特性,从而对基于深度学习和低秩分解的织物疵点检测算法进行了研究。针对织物纹理的复杂性,将具有自学习能力的CNN与低秩恢复技术中的优势相结合,提出了一种基于卷积神经网络和低秩恢复的织物疵点检测算法。首先采用基于MNIST数据集的初始网络参数对织物图像库进行预训练,对训练后的参数进行监督式的微调以获得最优网络参数;其次对图像均匀分块,利用卷积神经网络来提取织物疵点的多层特征,将多层特征进行融合以实现对织物图像的有效表征;然后通过建立有效的低秩恢复模型并采用ADMM算法优化求解,可将融合的特征矩阵分解为表示织物背景的低秩部分和表示显著疵点的稀疏部分,最后利用迭代最优阈值分割算法对由稀疏部分生成的显著图进行分割,从而定位出织物的疵点区域。基于织物疵点不连续与网络训练慢的问题,通过改进网络结构以及对低秩分解模型的重建和优化等措施,提出了一种基于多尺度卷积神经网络和低秩表示的织物疵点检测算法。为了加快训练速度,基于CNN权值共享特性将低级的较小图像块上的权值共享到高级较大图像上进行训练。其次,基于多尺度CNN自动学习图像纹理细节特征的能力,提取织物疵点在不同通道上的深层次特征并进行融合组成特征矩阵;通过对特征矩阵构建合适的低秩表示模型并采用非精确ALM算法优化求解,生成低秩矩阵与稀疏矩阵,最后对由稀疏矩阵产生的疵点分布图采用最优阈值分割算法分割定位出疵点区域。