本文旨在研究和开发有实用价值的基于计算机视觉的机织物瑕疵自动检测算法。采用计算机视觉取代人眼进行织物瑕疵自动检测能够大幅度降低漏检率、提高生产效率、保证检测结果的稳定性、改善瑕疵信息管理以及产品质量监控等等。对织物瑕疵自动检测进行算法研究是实现织物瑕疵检测自动化的关键,也是自动验布机研制的基础,因此,检测算法的研究引起了国内外纺织学科、计算机科学与技术学科以及自动化学科等相关领域科技工作者的浓厚兴趣,并成了当今纺织学科前沿的一个研究热点和难点；而计算机视觉的纺织应用也成了当前以先进的科学技术改造和提升传统产业的大领域之一。因此,课题具有很好的理论意义和现实意义。能够实用的织物瑕疵自动检测算法必须全面符合检测准确性、单类分类性以及实时性要求。所谓检测准确性要求,即要求算法能够对绝大多数常见瑕疵的检测误检率和漏检率同时保持在较低水平。要满足这一要求,首要的就是要确保所提取的特征向量对绝大多数常见瑕疵具有较强的普适性,其次要确保检测器具有较高的精密度和对特征向量数据信息的深入挖掘能力。所谓单类分类性要求,即在检测器设计方面,要求检测器具有单类分类的功能,也即训练时只能依赖正常样本而不能借助瑕疵样本。因为织物瑕疵种类、外观形态和尺寸呈现多种多样,而织物纹理和结构亦千变万化,因而依赖瑕疵样本进行算法训练在实践中是无法实现的。由此可见,基于计算机视觉的织物瑕疵自动检测实质上是以纹理图像为分析对象的一种典型的单类分类模式识别任务。所谓实时性要求,即在检测速度方面,要求算法在数据预处理、特征提取以及判别检测阶段均能快速实现,使算法的全套流程均能满足实时要求。本文作者在算法研究开发过程中尽可能使算法满足上述要求,通过理论探索和检测实验提出了三套较为有效的织物瑕疵自动检测算法,这些算法无论在特征向量的提取还是单类分类检测器的设计方面都是织物瑕疵检测研究领域至今未见报道。本文的全文研究内容共分七章。第一章为绪论,介绍了本文选题的学术与行业背景,分析了作者所在的计算机视觉纺织应用课题组的前人在此领域的研究成果和不足之处,交代了本文的研究目标和全文框架。第二章是文献综述,在模式识别和纹理分析等相关基本概念介绍的基础上综述了近十五年来本领域国内外的重要文献,对与本论文相关的算法给予了重点讨论,指出了现有研究成果的价值与不足。第三章介绍了检测样本的采集和有关数据的预处理技术。这些都是后续第四、第五和第六章检测实践中均要涉及的共性问题。具体内容包括瑕疵样布收集、织物瑕疵种类与图像示例、织物纹理图像的获得与预处理、织物纹理图像子窗口尺寸的确定、纹理图像特征的有效性检验及特征值规范化处理、样本数据集及其分布、评估算法检测效果的考核指标体系等等。第四章介绍本文设计的第一套检测算法,即基于时间序列的自回归功率谱分析特征向量和单边距离检测器的织物瑕疵检测算法。该算法充分利用机织物纹理的周期性和经纬取向的特点以及多数瑕疵也呈现经纬取向的特点,采用基于Burg算法的低阶AR谱估计方法从织物图像的一维投影序列中提取有关特征,并结合自行设计的单边距离检测器来检测瑕疵。该方法运算量小,能够满足实时检测的要求,总平均误检率为6.71%时,总平均漏检率为13.53%,基本可以满足检测准确度的要求。第五章介绍本文设计的第二套检测算法,即基于时间序列多分形混合特征向量和单类模糊聚类检测器的织物瑕疵检测算法。为了更细致地描述瑕疵纹理、降低检测错误率,本文作者在研究本套算法时,提出了一种兼顾纹理概貌与细节信息、经向和纬向信息的混合特征向量提取思想。具体来讲,就是充分考虑了机织物纹理经纬取向的特点和利用了纹理基本循环参数,以分形特征为基础扩展成为多分形特征向量。该多分形特征向量包含一个概貌分形特征和四个细节分形特征,它们均在图像一维投影序列基础上提取。为了消除训练用原始正常样本数据分布可能存在不平衡的弊端,提高对训练数据的信息挖掘力度,本文作者自行设计了一种基于模糊c均值聚类(FCM)算法的单类分类检测器,并讨论了该检测器参数的优选问题。实验结果表明,本套算法总平均误检率为-4.93%时,总平均漏检率为5.06%,准确度较第一套算法大幅度改善。不足之处在于,该算法在四个细节分形特征提取时较为耗时,尤其是当织物密度较高时,这种情况更甚。第六章介绍本文设计的第三套检测算法,即基于分形概貌特征和Sobel滤波细节特征的混合特征向量和支持向量数据描述单类分类检测器的织物瑕疵检测算法。文中还对检测器相关参数的优化提出了更为可靠和实用的方法。本套算法在特征向量提取时沿用了第二套算法中提到的兼顾概貌与细节信息、经向和纬向信息的思想,不同之处在于,本套算法在细节特征提取时采用了与概貌特征即分形特征不同类别的一种特征,即在Sobel算子滤波基础上的仙农熵特征。本套算法的细节特征提取速度非常快,克服了第二套算法中细节特征提取运算量大的缺点,同时保留了上述混合特征向量提取思想的优点。此外,Sobel算子滤波基础上的特征与分形特征本身也具有很大的互补性,因而使得本套特征向量对纹理信息的描述更趋合理和全面。检测器方面,本套算法采用了一种先进的核函数机器学习方法,即支持向量数据描述(SVDD)。SVDD是一种特殊的单类分类支持向量机(SVM),能够有效地表征正常训练数据的分布,特别适合于各种异常检测的应用。实验结果表明,本套算法在总平均误检率为4.61%时,总平均漏检率为4.09%。本套算法在检测精度方面略优于检测效果较好的第二套算法,在检测速度方面则具有第一套算法的优点,因而是一套最具实用价值的算法。第七章是全文总结和后续研究展望。文中对上述三套算法的优缺点进行了小结,对本文的成果和不足进行了总结,还提出了后续研究的方向和重点。本文提出的三套检测算法是本文研究成果的综合表述,但在形成三套算法过程中的实质性成果主要是以下几个方面：1)兼顾纹理概貌与细节的特征提取思路考虑到织物瑕疵尺寸和外观形态的多样性以及单一特征对纹理描述的不足,结合织物纹理呈纵横取向和具有明显周期循环的特点,本文指出,所提取的多个特征对于纹理的描述应兼顾概貌与细节信息,以实现最大限度的特征互补进而更全面的纹理特点表征。本文第二套算法的多分形特征向量和第三套算法的由分形概貌特征和Sobel滤波细节特征组成的混合特征向量即是这种思路的体现,这与以往研究者只考虑单一方面的特征有很大不同。2)兼顾精密性和单类分类功能的检测器设计思想织物瑕疵的多样性和难以全面采集的特点决定了实用的检测器必须具有较深刻的数据挖掘能力和单类分类的功能。现有文献涉及的单类分类器主要是欧氏距离或某些简单的阈值法,这种检测器过于粗糙,难以深入地挖掘特征向量中隐含的信息；而现有文献中涉及的较精密和高级的检测器如神经网络或支持向量机又多不具备单类分类的功能,其模型的训练必须借助相当数量的瑕疵样本。有鉴于此,本文提出,织物瑕疵检测器在设计时应使其同时具备单类分类的功能和对信息更深层次挖掘的功能。本文第二套算法中的模糊c均值聚类单类分类检测器和第三套算法中的支持向量数据描述单类分类检测器即是这种设计思想的体现,且这两套检测器在织物瑕疵检测领域尚无应用先例,也无相关报导。3)检测算法全套流程中的实时性构思本文不仅仅追求检测算法的高检测准确性目标,也强调检测算法全套流程的实时性要求,为此,在算法设计的许多环节中都考虑到了这一点。例如,在图像预处理中提出了一种快速的消除光照不匀和增强图像对比度的算法。又如,利用机织物纹理和多数瑕疵具有经纬取向的特点,采用投影方式得到一维序列,从而使得特征提取在一维序列而不是二维图像基础上进行,极大地降低了计算量,AR谱特征和所有的分形特征的提取均是在一维时间序列基础上进行。又如,AR谱的估计选用具有递推特点的低阶Burg算法,使得涉及的计算量非常小。又如,为了保留第二套算法的特征向量对纹理描述细致的优点同时又降低计算量,第三套算法在细节特征方面以快速的Sobel滤波仙农熵特征取代了较为耗时的分形特征。再如,提出当数据量较大时,相应地采用较大的模糊c均值聚类加权指数以大幅度减少迭代次数,等等。4)基于织物纹理循环周期倍数的子窗口划分方法提出了依据织物的纹理循环周期倍数来划分子窗口的方法,从而提高了特征的稳定性,进而有助于检测错误率的降低。