在纺织品生产过程中,针织物的全数检验是质量控制的一项重要内容,其中针织物疵点是检验的重中之重。在现代化科学技术的推动下,国内纺织品生产技术在自动化应用上已取得长足进步,然而针织物疵点检验环节却依旧主要依赖于人工操作检验,这种检验方法存在明显的局限性,如检测人员易疲劳、注意力易分散、受主观因素影响大导致误检率、错检率高等。针织物疵点自动检测技术已成为制约纺织行业进一步发展的“绊脚石”,如何用计算机视觉代替人工视觉验布已成为研究重点。为了对针织物疵点自动检测技术进行深一步研究,本课题主要对以下内容进行了研究:1、对图像采集系统采集到的针织物疵点图像进行灰度转换、光照不均校正、中值滤波、二值化等预处理,可在一定程度上消除针织物本身的纹理特征,凸显其疵点特征;并创新提出一种基于图像灰度标准差的在线疵点快速检验方式,提高了检测系统的检测效率。2、采用具有紧支撑正交性的db1小波作为分解小波,对预处理之后得到的图像进行二层Mallat小波分解,得到的水平高频细节图和垂直高频细节图可以较清晰地反映针织物经向和纬向的疵点信息,为接下来提取纹理特征值提供便利。3、研究了构造灰度共生矩阵时,三个构造参数对纹理特征值的影响,通过试验明确构造参数的实际取值。利用MATLAB中的IMPROFILE函数得到针织物纹理子图像的纹理周期,结合构造参数的取值对经纬纹理子图像进行窗口分割。在每个窗口内分别提取织物经向和纬向的四个纹理特征值。由于选取的四个特征值的计算绝对值不在同一个数量级且各自的波动范围也不相同。为对不同特征值有统一度量,也为后续极限学习机分类疵点时有一致输入,故对所有特征值进行数据归一化处理。最后将待检织物图像的特征值曲线和正常织物图像的特征值曲线进行比较,即可确定疵点产生区域。4、建立了极限学习机训练模型,每种疵点各选择50张图像的特征值作为实验数据。极限学习机训练结束后,每种疵点各选择20个图像用于测试训练结果的准确性,将检测出的结果与实际样品人为比对得出测试结果准确率。为测试极限学习机应用于疵点检测分类中的效果,本课题做了以下试验:(1)不同激活函数对极限学习机分类精度的影响;(2)不同隐层结点个数对极限学习机分类精度的影响;(3)极限学习机的分类稳定性分析。经多次试验确定了适合于本课题的隐层结点个数并证明了极限学习机在随机给定输入权重和隐层偏置的条件下能够保持一定程度的稳定性。实验证明,本课题提出的检测分类方法可有效检测针织物生产过程中出现的破洞、花针、漏针、直稀路这四种常见疵点,且识别准确率达93%。