长期以来,布匹疵点的检测识别与分类由人工完成,但由于工作环境差、劳动强度大、评判标准依赖于经验、错检及漏检率较高等原因,导致布匹疵点检测识别与分类效率低下,已无法满足现代纺织工业的发展需求。近年来,随着计算机技术、数字图像处理技术和机器视觉技术的进步,用机器视觉的检测方法代替传统的人工检测方式是目前的发展趋势。基于机器视觉的布匹疵点检测识别与分类主要分为图像采集、预处理、分割与特征提取、分类器设计及识别与分类等几个环节。本文通过对其中关键环节的研究,取得了阶段性成果。在理论研究和实验分析的基础上,设计构建了基于智能学习算法的机织布疵点检测识别与分类方法。本文主要研究内容如下:(1)图像预处理。将采集到的原始彩色图像转换为灰度图像。针对机织布灰度图像疵点部分与机织布环境对比度不强的问题,采用灰度调整的方法对机织布图像进行增强。为了进一步突显疵点区域,研究了一种基于频率域的理想低通滤波方法,对疵点图像进行滤波处理。结果显示,该方法抗干扰能力强、滤波效果好,能有效去除机织布背景纹理信息,突出疵点区域,降低处理难度。(2)基于BP(Back Propagation)神经网络的机织布疵点识别设计。对灰度增强和频域滤波后的图像,根据机织布疵点图像的特点,采用Roberts算子检测边缘并进行有效分割。设计了基于多特征值的BP神经网络分类器,实验证明该分类器能够对多数疵点进行有效分类。(3)基于深度学习的机织布疵点识别设计。为进一步提高识别准确率,对深度学习开展研究。为能够获得不同尺寸、不同位置的机织布图像信息,在VGG(Visual Geometry Group)卷积网络模型结构的基础上,通过采用多尺寸过滤器和多处池化技术,设计了一种适用于机织布疵点检测识别与分类的多尺寸多位置MDML(Multi-Dimensional And Multi-Location Network Model)深度学习网络模型。经实验比对,MDML网络模型识别准确率高,提升了深度学习网络对机织布疵点的识别分类效率。(4)机织布疵点识别算法的自适应增强设计。基于BP神经网络和深度学习网络,构建了弱分类器的自适应增强算法,以获得强分类器。针对现有自适应增强算法存在样本不平衡和分类器退化的现象,提出了采用动态调整训练样本集、引入改进后的Sigmoid函数抑制样本权重的设计思路,设计并实现了一种新的权重抑制自适应增强算法 AdaBoost.WSA(Adaptive Boosting Weight Suppression Algorithm)。实验证明,AdaBoost.WSA算法能有效解决样本不平衡和分类器退化问题,具有更好的平衡性和分类准确率。(5)实验系统设计和分类器性能评价方法的构建。设计了基于智能学习算法的机织布疵点检测识别与分类实验系统,针对机织布常见疵点类型,进行实验研究。依据机织布检测评价的特点,构建了适用于机织布疵点检测识别与分类系统的分类器性能评价方法,并对数据分析、评价方法的指标和计算公式给出了详细说明。通过实验平台对机织布进行动态疵点检测,采集数据信息,并利用该评价方法对几种算法进行比对实验。结果证明,该评价方法适用于机织布疵点的检测评价,改进后的算法确实有效地提高了分类效率和准确率。