传统纺织行业的纱管生产末端的分拣高度依赖于人工分拣,无法满足高效、智能化的生产需求,因此研究能够自动、准确地进行纱管识别的方法有重要意义。本文以依靠管芯贴纸标记的纱管图像识别技术为研究课题,针对现有纱管识别系统精度不高、应用面小等问题,基于计算机视觉技术设计了一种全新的自动检测方法。本文主要研究了工业背景下的纱管图像形状区域检测、图案形状分类等,具体内容如下:(1)研究了纱管图像中形状区域的精确定位方法,分为贴纸区域的检测与形状区域的检测。在采用经典的目标检测算法无法定位贴纸区域的前提下,本文从纱管的形状特征出发,通过边缘检测与轮廓查找等找到纱管的上边缘,然后进行椭圆拟合找所有的椭圆区域,再利用自设的筛选规则找到纱管上边缘贴纸对应的椭圆区域,并设计展平算法将其转化为规则的矩形图像,从而实现了对贴纸区域的检测;针对成分简单的贴纸图像可以采用阈值分割技术进行形状区域的检测,本文提出了基于HSV颜色空间直方图分析的双阈值分割算法,对比经典的阈值分割算法无法准确分割光照不均、噪声干扰多的图像,本文算法有更优的表现。(2)研究了纱管图像的色偏检测与校正方法,为解决纱管图像由于成像器件等影响可能出现的色偏现象,采用经典的亮度算法对纱管图像进行色偏检测与色偏校正实验,实验结果表明,针对成分稀少且存在全反射区的纱管图像,更适合应用灰度世界法进行色偏检测以及白色区域法进行色偏校正。(3)研究了基于迁移学习的纱管形状图案的分类算法,为使模型对图像特征的提取更加关注于纹理、结构,本文采用二值图像作为训练样本,并通过利用旋转、缩放以及裁剪等方法,将少量的训练图像扩充为上千张的训练集,然后用其对在大型数据集上预训练过的Inception网络进行训练,完成迁移学习。通过与自建浅层卷积神经网络的对比,测试结果表明迁移学习能够获取更高的分类准确率,达到了92.73%。为解决模型对存在缺陷的二值测试图像分类效果较差的问题,本文采用数学形态学处理对这些图像进行增强,将测试准确率提升至较接近训练结果。