织物疵点的自动化检测是工业自动化视觉检测的一个分支，它是对织物质量进行控制和实现织物生产过程和品质检验的关键环节。本文主要概述在利用机器视觉和数字图像处理技术开发一套织物疵点自动检测系统。

织物表面在高照度、高工作频率荧光灯光源的照射下，通过CCD线阵式相机对织物表面进行扫描获得灰度图像数据，再经有效的识别算法实现疵点的自动检测和评分任务。

织物疵点自动检测系统组成

一般而言，基于图像技术的织物疵点的自动检测系统设计可分为六个部分：数据获取、疵点检测、特征抽取、特征分析、疵点分类和文档输出。数据获取部分包括选择可行的照明光源和光电传感器，常用的有面阵式、线阵式扫描CCD相机及激光扫描仪。

一般在图像处理技术上，多采用高性能的CCD相机。照明光源的选择有荧光灯和光纤两种。这一阶段的工作至关重要，可以帮助整个系统获得一个清晰照度均匀的图像，生成系统的原始数据，从而简化下阶段的检测特征提取和分析的算法。其次，整个系统的检测精度从硬件的构成角度上，也往往决定于光电传感器的物物理和光学分辨率。通常考虑到成本因素，这一阶段的工作常常被忽视，导致了后期检测算法的复杂化。

第二阶段的工作是检测织物当中是否包含疵点以及实现疵点的报警，即疵点的识别工作。采用的算法通常有基于像素统计特征的阈值法基于变换的滤波法基于织物纹理特征的分割法和基于织物纹理建模的识别法。

第三阶段的工作是完成疵点特征的抽取，构造特征矢量，利用可能少的模式特征来描述疵点的类别，并且特征的抽取不受疵点大小旋转和位置的变化。所谓的特征抽取，就是对模式的某些物理性质进行数学描述，具体地讲，就是对将原始的数字图像数据进行变换，得到最能反映疵点模式分类的本质特征。一般将原始的数据空间称为测量空间，将进行分类的空间称为特征空间，通过变换将维数较高的测量空间中的模式矢量变换到维数较低的特征空间的模式矢量，从而简化和提高分类的效率。疵点形态特征的抽取大多是通过变换的方法，另一方面，纹理特征的描述也是种重要的特征提取方法，除此以外，还有通过神经网络的方法实现特征的抽取。这一阶段的任务的复杂性取决于所要求分类疵点的种类。

第四阶段主要是分析上一阶段所提取疵点的特征模式，保证特征的可分性、独立性和不变性。

第五阶段是对提取疵点样本特征的学习，实现对疵点的分类。所使用的算法大多为：Bayer决策分类法、基于模糊集的分类和基于神经网络的BP算法、径向及网络算法和自组织的神经网络算法。

最后，是对检测出的疵点及其分类标记的文档输出和数据管理工作。便于今后对疵点的进一步分析和对疵点成因及工艺的改进工作。

系统的设计必须考虑到系统的成本、识别的精确度、检测的速度等问题。每个部分并不是单独设计的，一个有效、合理的设计方案是每个部分近乎优化的设计组合。