随着人们生活水平不断提高,对织物质量的要求日益严格。据调查发现,服装业的服装劣质原因主要与织物疵点有关,因此对织物疵点进行检测与判别是织物质量检测中至关重要的环节。织物疵点图像经离散傅里叶变换后会得到相应的频谱图,频谱图上的亮点中包含着织物疵点信息,基于此本文提出了一种在频率域上的织物疵点检测算法。BP神经网络具有极强的非线性拟合能力,常被应用于模式识别中,本文将BP神经网络和随机森林相结合,并将结合后的网络应用于织物图像的疵点判别。(1)针对织物疵点图像的频谱图,本文设计了一种频率域滤波器,它包含多个用于覆盖频谱图中心亮点周围的亮点的最优圆形频率域Gabor滤波器,和一个用于覆盖频谱图中心亮点的频率域中心掩模。根据选取最优Gabor滤波器数量的不同,本文提出了两种频率域织物疵点检测算法—算法一和算法二,并应用这两种算法对织物疵点图像作疵点检测,实验表明,两种算法均能有效地检测不同类型的疵点,但算法一对疵点细节处的检测效果不太理想,而算法二对疵点细节处的检测效果会优于算法一。最后,从算法和检测效果两个方面将本文算法二与其他算法进行比较,结果表明,本文算法二检测出的疵点更接近于真实的疵点。(2)针对织物图像是否含有疵点的判别问题,本文设计了一个基于BP神经网络和随机森林的网络进行判别。该网络借助于频谱图滤波、灰度共生矩阵以及局部二值模式(LBP)算子提取了3个织物图像的特征向量,经过3个独立的BP神经网络训练和测试,再由随机森林分类器综合3个BP神经网络的测试结果得到最终的判别结果。实验结果表明,本文设计的网络判别能力强,判别准确率达99.9%;同时,我们还针对被误检频率高的3幅织物图像进行了误检原因分析。最后,从特征向量提取方法和网络复杂性角度将本文网络与其他网络进行比较,结果表明,本文网络更加简单且更有效率。