最近几年随着人工成本的增加,生产自动化越来越受到人们的关注。在纺织品生产过程中引入信息技术不但能降低用工成本,还能提高生产效率。而纺织品生产工序中,机织物的瑕疵检测是很重要的一步。因此如果能有效的对机织物瑕疵进行检测,将对提高纺织品质量、降低生产成本具有重要的意义。但现有算法对不同机织物纹理适应性和实时性不佳,难以适应生产实际的需要。为此本文采用了一种基于奇异值分解(SVD)的机织物瑕疵检测算法。奇异值分解在图像处理方面有如下优点：(1)图像的奇异值具有很好的稳定性,即当图像中有噪点,或者图像光照不匀时,对图像的奇异值不会有大的影响；(2)奇异值分解算法能降低计算的复杂性,但同时又能提取图像的主要特征。故在处理图像时,能达到较快的速度和较高的准确性。本文采用基于奇异值分解的算法首先对正常织物图像子窗口样本进行纵横方向的投影操作,然后将两个投影序列联合成一个投影序列,再将正常织物图像中所有子窗口对应的联合投影序列组成一个矩阵,并对该矩阵进行奇异值分解,提取基向量。最后将得到基向量对待检测织物样本进行重构,通过重构误差来判定是否为瑕疵并确定其位置。为了对检测效果有直观的认识,论文最后将本算法的检测效果和基于AR模型算法检测效果进行比较。下面对本课题主要的研究内容进行阐述。(1)对织物图像样本特征的获取方法及如何降低计算量的探索由于本课题所研究的瑕疵检测方法是基于子窗口进行的,并视每个子窗口为一个样本,将子窗口中的像素点灰度值纵横方向投影,并首尾相连组成联合投影序列,能在不损失织物图像重要信息的情况下,大大降低了计算量。(2)利用奇异值分解得到的基向量,对检测样本进行重构通过奇异值分解,从正常样本中得到只反映正常纹理特征的基向量,然后对待检测的样本用基向量进行重构,通过比较重构样本和原始样本的重构误差来判断是否为瑕疵样本。(3)窗口大小的优选窗口大小对最终检测的效果具有很大的影响,所以必须对窗口大小进行优选。通常选择子窗口的尺寸时,应考虑瑕疵的尺寸及其在子窗口中所占比重。(4)基向量的个数的优选基向量个数K决定着重构误差。基向量个数越多,重构误差越小,对检测效果有很大的影响。在试验探索时,希望找到这样一个基向量个数,在该基向量个数情况下,能很好的将正常纹理区域进行重构,即对正常部分重构误差很小,与此同时又不将瑕疵纹理区域重构的很好,即对瑕疵部分重构误差很大。(5)与基于AR模型的算法的检测效果进行对比完成本算法重要参数的优化后,与AR模型算法的检测效果进行比较,通过比较误检率、漏检率和实时性指标。以对本文采用的算法的检测效果有更直观的了解。经过6991个样本的实验,结果表明,本文所提算法能够使误检率小于5%,检出率大于90%。同时与AR模型算法的检测效果进行对比,本文所采用算法在检测精度和实时性上都优于AR算法。