织物的疵点检测是纺织品质量控制的重要环节,目前主要还是由人工来实现,面临的问题是:随着技术的进步,市场对织物质量检测的要求也越来越高,传统的人工检测方法存在劳动强度大,视觉疲劳,主观性差等一系列问题,越来越不能满足要求。因而,近年来,基于机器学习的自动化机器检测成为了研究的热点。本文提出一种基于小波和极速学习机的织物的疵点检测系统。其核心包括:疵点检测和疵点分类。本文选取8种平纹织物瑕疵图像,主要工作如下:1.综述了织物疵点检测的国内外研究现状,并对方法做了归类分析。2.织物疵点自动检测系统的概述,阐述了织物疵点自动检测系统的组成及相关部件的参数说明。3.织物图像的预处理。利用同态滤波的方法消除织物图像的光照不均匀,然后进行直方图均衡化处理,增强对比度,突出织物疵点。4.基于阈值自适应小波变换的织物疵点检测。研究了基于小波变换的织物疵点检测,本文根据织物织造的原理和疵点产生的机理,提出基于多尺度融合和阈值自适应的小波模极大值织物疵点边缘检测,实验结果进行多种对比,检测的效果较为明显。5.研究了多特征融合的织物瑕疵纹理特征提取方法。在此基础上,提出基于邻域像素中值的均匀模式LBP算子2,_riuP RM LBP;然后将此算子提取的纹理特征和灰度共生矩阵提取的织物纹理特征(能量、熵、对比度、相关性)进行主成分分析;最后通过一种自适应权重的融合算法进行特征融合。6.极速学习机算法改进并引入到织物疵点的分类。极速学习机(Extreme Learning Machine)ELM简单易用,是一种有效的单隐层前馈神经网络学习算法。其最大的特点是:只需要设置网络的隐层节点数,在算法执行过程中不需要调整网络输入权值和隐层偏置,并可产生唯一的最优解,因而具有算法速度快,泛化能力强的特点。本文为了将ELM更好的应用于织物的疵点检测,首先根据织物疵点纹理复杂,数据量大,采用在线ELM算法,解决ELM在处理大块数据时整体处理方式的不足;然后为了提高算法的泛化能力,减小算法性能对隐层节点的依赖性,采用灵敏度分析的方法对隐层节点进行剪枝处理;最后为了保证算法的稳定性,对改进的算法进行正则化处理。