织物疵点检测是纺织品质量在线监控中的关键环节。鉴于传统的疵点检测方法存在速度慢、准确率低、经验水平要求高等问题,不能够适应现代化大规模生产的需要,而国外现有成型检测设备价格过高,难以普遍推广,亟需研发具有自主知识产权的织物疵点在线监测设备。本文研究主要针对坯布在线检测中的算法方面展开。多尺度分解方法符合人类视觉皮层对图像有效表示的要求,能够最优的表示二维奇异信号。相对于小波多尺度和轮廓波变换方法而言,非下采样轮廓波变换(NSCT)具有多方向性、平移不变性和对信号的稀疏表达特性,在二维图像信号表示上性能更出色。本文详细的介绍了NSCT变换的基本原理,提出了一种基于NSCT分解的疵点在线检测算法。首先,对采用高斯滤波预处理后的图像进行NSCT分解,得到一个低频子图和8个高频带通子图。对于低频子图,采用非线性增益和改进的数学形态学方法对其特征进行增强,再利用全局阈值法实现疵点的预判与粗定位。对判断出存在疵点的图像,选出方向响应最强的2幅带通子图进行融合。在此基础上,本文提出的基于NSCT的标准差检测方法能较好的排除干扰、捕捉疵点轮廓信息。为实现织物疵点的有效分类,本文将局部特征与全局特征相结合,采用主成分分析(PCA)的特征筛选方法和BP神经网络进行疵点类型识别。在这个过程中,首先从局部二值模式(LBP)特征图中提取其灰度共生矩阵(GLC M)特征,然后采用PCA方法对特征矩阵进行筛选,最后将得到的主成分数据输入到训练好的BP神经网络进行疵点类型判定。本文实验以坯布中常出现的5类疵点为对象,分类平均准确率达到95%。最后,本文还利用Matlab GUI控件设计了一个简单的织物疵点在线检测系统图形用户界面,以形象直观地展示算法流程及结果。