我国是一个拥有竞争力的纺织强国,然而在市场竞争中,纺织生产却处于较为低端的阶段。随着企业用工成本的上升、产量需求逐渐增大、质量标准不断提升的情况下,仅仅依靠人工对纺织品的质量进行控制完全无法保证生产效率和产品的质量,并受到人的体能制约和主观因素影响,漏检、误检率较高,无法适应高速发展的工业需求。因此在工业生产过程中寻求能够快速精确检测出织物疵点的方法已成为目前亟待解决的问题之一。本课题以本色布为主要检测对象,在对国内外现有技术和设备详尽分析的基础上,选用工业线阵相机、线扫光源等硬件搭建实验平台,应用机器视觉技术设计适用于纺织企业工业生产现场的表面瑕疵检测算法。根据布匹图像表面的纹理特性,主要研究了瑕疵缺陷的分割算法、机器学习的分类算法,并对算法进行优化和改进。针对生产线现场平台在采集图像过程中受到光照环境、噪声等干扰因素的影响,对图像进行滤波、锐化、灰度区间调整等预处理,并对比各种阈值分割算法,选择合适的分割算法用于分离瑕疵区域。针对Gabor滤波器对图像纹理良好的响应描述特性,对常见的小波神经网络结构模型进行改进,将激励函数改变为Gabor滤波器函数,并选用Levenberg-Marquardt优化算法实现神经网络参数向量组的寻优过程,近似拟合图像的纹理特征,构建一对最优奇、偶对称形式的滤波器组在线对待测布匹图像进行瑕疵检测提取。同时对精确定位的瑕疵区域计算其灰度共生矩阵等特征信息,利用支持向量机将布匹按照四分法进行评级分类。针对布匹图像的纹理特性,基于结构纹理分解法对布匹图像进行分割处理。对总变差的最小化模型加以改进,新模型能够在对瑕疵部分边缘轮廓的响应的同时消除背景纹理对检测的干扰,实验表明该方法能够有效地将瑕疵图像中作为目标的瑕疵部分和作为背景的布匹纹理结构部分分割开来。