织物的瑕疵检测过程是纺织工业中不可缺少的步骤,由于传统的人工验布漏检率高、检测效率低,因此使用机器视觉技术对传统验布机进行自动化改造,对于纺织工业具有重要意义。本文主要对带规则花纹的织物进行瑕疵的检测与分类,研究主要包括瑕疵自动检测的系统设计、带规则花纹织物的瑕疵检测算法研究以及织物瑕疵分类算法的应用。针对带花纹织物的瑕疵检测与分类算法,本文的主要研究工作如下:(1)对采集的织物图像做图像预处理,以提高图像质量。考虑到工业情况下图像质量易受光照、噪声影响,本文先使用基于多尺度高斯函数的Retinex算法对光照不均的图像进行光照校正,再使用均值滤波器消除噪点。(2)使用一种改进的视觉显著性模型对织物进行瑕疵检测。该模型结合了上下文显著性模型和主成分分析法,上下文视觉显著性模型能够从局部、全局、空间位置的角度进行显著性预测,使得生成的显著性图中的瑕疵区域显著性高,同时织物背景花纹的显著性低,主成分分析法与该模型的结合能够大幅提高计算效率。实验结果表明,本文的检测方法能有效地检测出织物瑕疵,并保留瑕疵原有的形态,同时具有一定的通用性和实时性。(3)使用基于Otsu算法的分割算法进行瑕疵区域分割。上一步骤中生成的显著性图突出了瑕疵区域,这一步骤中使用Otsu图像分割算法得到具体的瑕疵形态,便于后续的瑕疵分类研究。(4)进行对比实验评估本文模型与瑕疵分割的效果,实验中将本文的织物瑕疵检测效果与其他三种显著性模型的效果进行比较,使用召回率与准确率作为织物瑕疵检测效果的评价指标。实验结果表明,断头、破洞、污渍这三种类型的瑕疵检测效果最好,对于跳花、打结两种纹理较不明显的瑕疵识别效果稍弱,算法检测效果的平均准确率达92.2%,但整体识别效果均优于实验中的其它模型。(5)针对瑕疵分类研究,本文通过构造多类支持向量机(SVM)分类器来实现分类。对于SVM分类器的训练,在提取图像特征之前,需要将分割出来的图像进行对应的处理。在特征提取阶段,考虑使用灰度共生矩阵提取出瑕疵的纹理特征,使用面积、Hu不变矩等统计量提取瑕疵的几何特征,并且使用主成分分析法提取出其中九个的主成分特征。最后使用一部分样本对SVM分类器进行训练,构造出一对一的多类SVM分类器。在分类实验中使用五种瑕疵类型的织物图像作为测试集,采用交叉验证的方法进行10轮分类实验,实验中分类的准确率达到86.97%,对比使用随机森林分类器,本文训练的SVM分类器的分类效果更佳。