织物外观是由颜色、图案及纹理组成,其疵点种类繁多、形状各异,导致织物疵点检测难度很大。然而,人工检测方法存在效率低、漏检率及错检率高等现象。因而,亟需研发新颖、高效、快速的基于机器学习的织物疵点自动检测算法用于提高织物疵点检测的准确性和实现织物疵点等级水平的客观评价。所以,织物疵点检测算法的研究对当前的纺织印染行业有着重要作用。本课题针对色织物,规则图案织物及坯布织物表面疵点检测算法进行研究,主要研究内容和相关工作如下:(1)针对色织物及规则图案重复织物的疵点检测问题,运用了卷积匹配追踪和基于Gabor的K-SVD进行双重字典学习的检测算法。首先,利用均值降采样算法对织物进行预处理,减少织物纹理信息对检测过程的影响。然后,利用最优窗口选取无疵点图像块作为输入集,通过卷积匹配追踪算法及基于Gabor的K-SVD算法分别训练获取的卷积字典和小规模字典进行小波融合得到双重字典,并采用稀疏编码学习字典。最后,分别将样本图像和待检测图像在双重字典上的投影作为图像特征,并计算二者欧式距离对比检测,获得织物疵点检测结果。(2)针对色织物及规则图案重复织物的疵点检测问题,采用了基于Gaussian回代交替方向的图像分解检测算法。首先对疵点织物应用直方图均衡化的预处理操作,在降低图像噪声的同时提高信噪比。然后,利用总方差范数与Sobolev空间中的半范数相叠加的图像分解算法,将待检织物分解为疵点部分u和纹理部分v。最后,应用自适应模糊阈值方法分割疵点部分u,准确识别织物图像的疵点区域与背景区域。(3)针对坯布织物疵点检测问题,提出了基于多通道Gabor滤波器组和KPCA的自动检测织物疵点算法。首先,采用6个尺度和4个方向的多通道Gabor滤波器组对织物进行滤波并提取有效纹理特征。然后,将分块处理得到的织物特征向量进行拼接融合,并利用KPCA算法对高维度的特征矩阵进行降维处理。最后,利用欧几里得范数获取二者相似度矩阵并进行阈值分割,准确快速地区分出疵点。