織物疵點的自動化檢測是工業自動化視覺檢測的一個分支，它是對織物質量進行控制和實現織物生產過程和品質檢驗的關鍵環節。本文主要概述在利用機器視覺和數字圖像處理技術開發一套織物疵點自動檢測系統。

織物表面在高照度、高工作頻率熒光燈光源的照射下，通過CCD線陣式相機對織物表面進行掃描獲得灰度圖像數據，再經有效的識別算法實現疵點的自動檢測和評分任務。

織物疵點自動檢測系統組成

一般而言，基于圖像技術的織物疵點的自動檢測系統設計可分為六個部分：數據獲取、疵點檢測、特征抽取、特征分析、疵點分類和文檔輸出。數據獲取部分包括選擇可行的照明光源和光電傳感器，常用的有面陣式、線陣式掃描CCD相機及激光掃描儀。

一般在圖像處理技術上，多采用高性能的CCD相機。照明光源的選擇有熒光燈和光纖兩種。這一階段的工作至關重要，可以幫助整個系統獲得一個清晰照度均勻的圖像，生成系統的原始數據，從而簡化下階段的檢測特征提取和分析的算法。其次，整個系統的檢測精度從硬件的構成角度上，也往往決定于光電傳感器的物物理和光學分辨率。通常考慮到成本因素，這一階段的工作常常被忽視，導致了后期檢測算法的復雜化。

第二階段的工作是檢測織物當中是否包含疵點以及實現疵點的報警，即疵點的識別工作。采用的算法通常有基于像素統計特征的閾值法基于變換的濾波法基于織物紋理特征的分割法和基于織物紋理建模的識別法。

第三階段的工作是完成疵點特征的抽取，構造特征矢量，利用可能少的模式特征來描述疵點的類別，并且特征的抽取不受疵點大小旋轉和位置的變化。所謂的特征抽取，就是對模式的某些物理性質進行數學描述，具體地講，就是對將原始的數字圖像數據進行變換，得到最能反映疵點模式分類的本質特征。一般將原始的數據空間稱為測量空間，將進行分類的空間稱為特征空間，通過變換將維數較高的測量空間中的模式矢量變換到維數較低的特征空間的模式矢量，從而簡化和提高分類的效率。疵點形態特征的抽取大多是通過變換的方法，另一方面，紋理特征的描述也是種重要的特征提取方法，除此以外，還有通過神經網絡的方法實現特征的抽取。這一階段的任務的復雜性取決于所要求分類疵點的種類。

第四階段主要是分析上一階段所提取疵點的特征模式，保證特征的可分性、獨立性和不變性。

第五階段是對提取疵點樣本特征的學習，實現對疵點的分類。所使用的算法大多為：Bayer決策分類法、基于模糊集的分類和基于神經網絡的BP算法、徑向及網絡算法和自組織的神經網絡算法。

最后，是對檢測出的疵點及其分類標記的文檔輸出和數據管理工作。便于今后對疵點的進一步分析和對疵點成因及工藝的改進工作。

系統的設計必須考慮到系統的成本、識別的精確度、檢測的速度等問題。每個部分并不是單獨設計的，一個有效、合理的設計方案是每個部分近乎優化的設計組合。西安獲德作為國內玻纖行業檢測的引領者，多年來利用其技術優勢，成功幫助多家著名玻纖企業進行了系統化設備改造，出色的性能和穩定性，得到企業高度贊揚。