织物的疵点检测是纺织自动化检测的重要组成部分。对平纹或斜纹的素织物的疵点检测,已经较为成熟,图案织物图像由于图案多样且纹理复杂、瑕疵形态各异等问题,现有疵点检测算法检测效果不佳。本文针对图案织物疵点检测的不足,开展了基于特征表示的图案织物的疵点检测算法研究,主要研究工作如下:(1)提出以“均值hash特征描述子”表示图案织物的均值hash特征和灰度特征,实现了图案织物的疵点检测。首先,基于图案织物的周期性,构建了无疵点织物的均值hash特征词典;然后,提取测试织物图像块中的均值hash特征和灰度特征;通过图像块的均值hash特征与词典进行匹配,利用汉明距离表示差异度,获得了结构显著图;将图像块的灰度特征与全局灰度平均值比较,得到灰度显著图;最后,融合显著图,实现了缺陷区域的定位。(2)提出了基于非负矩阵分解的疵点检测方法。首先,利用距离匹配函数确定图案的周期,并以周期大小的图像块为检测样本。利用非负矩阵分解法得到图像块的系数矩阵并转换为向量矩阵,将其做为图像块唯一的特征表示;根据正常样本确定标准系数特征和相似准则。对比测试样本的系数特征和标准系数特征,根据建立的相似准则判定图像块是否包含疵点,完成织物疵点定位。在非负矩阵分解的过程中,采用非负双重奇异值分解初始化的方法减少矩阵分解的迭代次数。(3)提出了一种基于卷积自编码器的疵点检测方法,建立无监督深度特征提取模型。首先,选择周期大小的图像块作为卷积自编码器模型的输入,并使用Adam优化算法,批标准化和ReLU策略来训练卷积自编码器模型,然后用该模型提取图像块的深度特征。通过计算正常织物样本的特征与待测织物样本的特征的欧式距离,来定位疵点位置。论文为增加不同位置表示的图像块之间的关联性,训练过程中,以不同位置的图像块作为数据输入,固定的目标图像为数据输出,实现图像块多对一的映射。针对上述三种检测方法,本文开展了实验研究,并通过对织物样本的检验,验证了算法的有效性,对指导实际应用有一定的参考价值。