呂文濤， 林琪琪， 鐘佳瑩， 王成群， 徐偉強(qiáng)

(1. 浙江理工大學(xué) 信息學(xué)院， 浙江 杭州 310018; 2. 浙江理工大學(xué) 紡織科學(xué)與工程學(xué)院(國(guó)際絲綢學(xué)院), 浙江 杭州 310018)

圖像處理是對(duì)人類視覺進(jìn)行延伸的一種重要方法。它是將圖像以數(shù)字矩陣的形式存放在計(jì)算機(jī)中，通過(guò)一定算法進(jìn)行處理，以達(dá)到特定目標(biāo)的一種手段[1]。圖像處理的具體過(guò)程為：圖像預(yù)處理、特征提取、分析決策，由此實(shí)現(xiàn)圖像信息的信號(hào)數(shù)字化，從而根據(jù)具體要求輸出結(jié)果。隨著圖像處理技術(shù)的不斷發(fā)展，紡織工業(yè)數(shù)字化水平的不斷提高，圖像處理技術(shù)在紡織工業(yè)中的應(yīng)用也越來(lái)越廣泛。

織物疵點(diǎn)檢測(cè)在紡織工業(yè)中占有重要地位。由于機(jī)械故障、紗線斷裂等導(dǎo)致的面料缺陷問(wèn)題時(shí)有發(fā)生，給企業(yè)造成了巨大的經(jīng)濟(jì)損失，所以產(chǎn)品質(zhì)量控制是紡織品生產(chǎn)時(shí)必不可少的環(huán)節(jié)。如今，紡織業(yè)已定義的織物疵點(diǎn)種類有70多種。由于疵點(diǎn)種類繁多、形狀不一，傳統(tǒng)的人工檢測(cè)成功率僅為60%～75%[2-3],因此，將快速和可靠的圖像處理技術(shù)應(yīng)用在疵點(diǎn)檢測(cè)中，實(shí)現(xiàn)織物疵點(diǎn)自動(dòng)化檢測(cè)，具有重要的意義。

本文綜述了織物疵點(diǎn)檢測(cè)中圖像處理技術(shù)的研究進(jìn)展，分析了其最新研究成果和應(yīng)用前景，總結(jié)了各個(gè)方法的優(yōu)缺點(diǎn)，介紹了現(xiàn)有成品設(shè)備，并提出了對(duì)未來(lái)發(fā)展的構(gòu)想，為今后的深入研究和應(yīng)用提供了參考依據(jù)。

1 織物圖像的預(yù)處理技術(shù)

在進(jìn)行織物疵點(diǎn)檢測(cè)時(shí)，數(shù)據(jù)集的質(zhì)量會(huì)直接影響疵點(diǎn)檢測(cè)算法的性能表現(xiàn)，因此，圖像的預(yù)處理在織物疵點(diǎn)檢測(cè)技術(shù)的發(fā)展中至關(guān)重要。在獲取織物圖像時(shí)，不同的光照等外界干擾因素，會(huì)導(dǎo)致圖像質(zhì)量降低，因此，在進(jìn)行織物疵點(diǎn)檢測(cè)之前，通常會(huì)先對(duì)圖像進(jìn)行預(yù)處理，以達(dá)到更好的疵點(diǎn)檢測(cè)效果?？椢飯D像的預(yù)處理一般包括：圖像復(fù)原，圖像增強(qiáng)，圖像分割和圖像融合。

1.1 織物圖像復(fù)原技術(shù)

織物圖像采集工作中存在的噪聲，會(huì)影響圖像處理時(shí)織物圖像的紋理結(jié)構(gòu)，所以一般會(huì)利用圖像復(fù)原技術(shù)對(duì)織物圖像進(jìn)行處理，復(fù)原出圖像的結(jié)構(gòu)信息，以減少圖像信息的損失?？椢飯D像復(fù)原是將退化模型復(fù)原成理想圖像的一種消除模糊的技術(shù)。圖像復(fù)原技術(shù)通常采用逆濾波和維納濾波[4]2種方法。

逆濾波是復(fù)原方法中最簡(jiǎn)單直接的，它的理想情況是沒(méi)有噪聲，但是在現(xiàn)實(shí)情況中往往會(huì)存在噪聲問(wèn)題，所以一般情況下會(huì)采用維納濾波來(lái)綜合解決退化問(wèn)題和噪聲問(wèn)題。但如果在原始織物圖像和噪聲功率都未知的情況下，維納濾波的復(fù)原效果也會(huì)不太理想[4]。

1.2 織物圖像增強(qiáng)技術(shù)

由于受到成像系統(tǒng)和織物表面材料的電子干擾，織物紋理細(xì)節(jié)不能真實(shí)體現(xiàn)，因此，在提取特征之前增強(qiáng)織物圖像的紋理特性，突出缺陷紋理與背景紋理的區(qū)別尤為重要，可以使織物圖像中的疵點(diǎn)更易被識(shí)別?？椢飯D像的增強(qiáng)處理技術(shù)，可以改善所使用圖像中的有用信息，衰減掉無(wú)用的特征，使圖像的視覺效果更清晰?？椢飯D像增強(qiáng)方法一般分為空間域增強(qiáng)法和頻率域增強(qiáng)法[5-8]。

空間域增強(qiáng)法是直接增強(qiáng)圖像像素的一種方法，包括灰度增強(qiáng)、直方圖增強(qiáng)以及圖像平滑等方法[5-7]。Sun等[5]用灰度增強(qiáng)法消去背景圖像再進(jìn)行中值濾波消除噪聲；梁金祥等[6]通過(guò)進(jìn)行直方圖增強(qiáng)處理來(lái)反映圖像中各灰度值的分布情況；Cheng等[7]在對(duì)棉紗進(jìn)行圖像處理時(shí)，使用了平滑化處理，降低了邊緣區(qū)域的灰度值。頻率域增強(qiáng)法是將圖像從空間域變換到頻率域，然后在頻率域空間通過(guò)濾波器進(jìn)行處理[4]?？椢锎命c(diǎn)通常處于低頻率，采用低通濾波器過(guò)濾高頻背景部分，使得織物疵點(diǎn)更加明顯[8]。

1.3 織物圖像分割技術(shù)

在實(shí)際檢測(cè)過(guò)程中，直接處理像素大的織物圖像需要耗費(fèi)大量的時(shí)間，所以需要進(jìn)行切割來(lái)同步檢測(cè)，以節(jié)省檢測(cè)時(shí)間。同時(shí)精準(zhǔn)的切割方法有利于降低計(jì)算的復(fù)雜度，并且能夠提高檢測(cè)精度。通常將織物圖像分割技術(shù)分為基于灰度圖像分割、基于彩色圖像分割以及基于顏色和像素空間分割三大類。

常用的邊緣檢測(cè)的分割算法如Sobel算子、Laplacian算子和Canny算子[9]等，都是面向灰度圖像的。通過(guò)將Mean-shift[10]算法、K-means算法[11]以及FCM算法[12]等聚類算法應(yīng)用到彩色圖像的自動(dòng)分割中，實(shí)現(xiàn)了對(duì)彩色圖像的切割。除了對(duì)于顏色信息的考慮，還應(yīng)考慮空間的信息，所以研究者們提出了基于顏色和像素空間的分割方法，包括作為區(qū)域生長(zhǎng)技術(shù)的JSEG算法[13]、Markov隨機(jī)場(chǎng)(MRF)模型[14]等方法。

1.4 織物圖像融合技術(shù)

織物圖像融合技術(shù)能夠充分考慮織物圖像的顏色和紋理，消除干擾區(qū)域的影響，為織物圖像后續(xù)的檢測(cè)做好鋪墊?？椢飯D像中紋理信息多種多樣，不同的傳感器因?yàn)槠湫阅芴攸c(diǎn)不同，所提供的圖像信息也不同。將多個(gè)傳感器的輸出，通過(guò)特定的算法，融合成一個(gè)具有更強(qiáng)魯棒性的新圖像，再進(jìn)一步處理得到最終的圖像。圖像融合自下而上分為3級(jí)，即像素級(jí)、特征級(jí)和決策級(jí)[15]。

像素級(jí)融合因處理起來(lái)簡(jiǎn)單方便，是圖像融合的研究熱點(diǎn)。特征級(jí)融合是將各個(gè)傳感器所提取到的特征進(jìn)行綜合分析，對(duì)提取到的局部特征進(jìn)行融合處理獲得復(fù)合特征。決策級(jí)融合針對(duì)具體的決策目標(biāo)，對(duì)設(shè)備的要求非常高[16]。

2 織物圖像疵點(diǎn)檢測(cè)方法

過(guò)去20年以來(lái)，隨著學(xué)者們對(duì)圖像處理技術(shù)的研究，織物圖像疵點(diǎn)檢測(cè)技術(shù)也取得了巨大進(jìn)展。按照對(duì)織物圖像處理的方法不同，織物疵點(diǎn)檢測(cè)方法可以分為以下5類[17]：基于結(jié)構(gòu)的方法、基于統(tǒng)計(jì)的方法、基于頻譜的方法、基于模型的方法以及基于學(xué)習(xí)的方法。其中基于結(jié)構(gòu)、統(tǒng)計(jì)、頻譜、模型的檢測(cè)方法其流程大致可分為圖像預(yù)處理、目標(biāo)提取、特征選擇以及模式分類4個(gè)部分。這類方法中的每個(gè)環(huán)節(jié)都會(huì)對(duì)最后的檢測(cè)結(jié)果產(chǎn)生影響，并且針對(duì)不同的檢測(cè)需求需要設(shè)計(jì)相應(yīng)的不同算法，非常依賴于設(shè)計(jì)者已有的經(jīng)驗(yàn)與知識(shí)，因此在復(fù)雜場(chǎng)景中進(jìn)行有效檢測(cè)的難度較大。

隨著紡織業(yè)智能化的發(fā)展，基于學(xué)習(xí)的疵點(diǎn)檢測(cè)方法越來(lái)越受歡迎?；趯W(xué)習(xí)的方法主要是通過(guò)模仿人腦機(jī)制，構(gòu)建神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)。這種方法可以直接對(duì)圖像進(jìn)行學(xué)習(xí)，減少了人為因素的影響，降低了算法之間的耦合性，實(shí)現(xiàn)了端到端的算法框架，具有適用范圍廣等優(yōu)點(diǎn)，是近幾年來(lái)的研究熱點(diǎn)。

2.1 基于結(jié)構(gòu)的織物圖像疵點(diǎn)檢測(cè)方法

基于結(jié)構(gòu)的織物疵點(diǎn)檢測(cè)方法是將紋理視為紋理基元的組合，通過(guò)從圖像中提取織物的基礎(chǔ)紋理結(jié)構(gòu)得到結(jié)構(gòu)特征，由于疵點(diǎn)破壞了織物原有的結(jié)構(gòu)紋理[18]，因此通過(guò)比較與正常紋理之間的相似度可以檢測(cè)出疵點(diǎn)[19-20]。基于結(jié)構(gòu)的疵點(diǎn)檢測(cè)方法分為紋理分割和識(shí)別2個(gè)部分。

2005年，Abouelela等[19]提出了紡織品自動(dòng)視覺檢測(cè)系統(tǒng)，將相機(jī)捕獲的圖像，利用簡(jiǎn)單的紋理特征(平均值、方差、中值)來(lái)進(jìn)行故障檢測(cè)，其計(jì)算簡(jiǎn)單、快速，適用于實(shí)時(shí)場(chǎng)景。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)在缺經(jīng)、打結(jié)疵和切割等疵點(diǎn)上的檢測(cè)準(zhǔn)確率達(dá)91%。這種方法雖然計(jì)算簡(jiǎn)單；但是由于工業(yè)生產(chǎn)過(guò)程中難以保持穩(wěn)定的基礎(chǔ)紋理結(jié)構(gòu)，會(huì)給疵點(diǎn)檢測(cè)帶來(lái)較大的誤差，因此，此方法檢測(cè)的可靠性不高，僅在紋理簡(jiǎn)單、分布均勻的織物圖像中適用[20]。

2.2 基于統(tǒng)計(jì)的織物圖像疵點(diǎn)檢測(cè)方法

基于統(tǒng)計(jì)的方法主要利用像素及其領(lǐng)域的灰度屬性來(lái)提取織物圖像的標(biāo)準(zhǔn)差、方差、平均值等紋理特征[21-29]。常用的統(tǒng)計(jì)方法主要有直方圖統(tǒng)計(jì)法[21-23]、灰度共生矩陣[24-27]、數(shù)學(xué)形態(tài)學(xué)[28-29]等。

2.2.1 直方圖統(tǒng)計(jì)法

直方圖包含圖像的灰度像素的統(tǒng)計(jì)分布數(shù)據(jù)，常見的直方圖統(tǒng)計(jì)屬性有均值、標(biāo)準(zhǔn)差、方差和中值等[21-23]。

2011年，Ding等[21]提出了基于方向梯度直方圖(HOG)和支持向量機(jī)(SVM)的織物疵點(diǎn)檢測(cè)方法，用HOG將32像素×32像素的500個(gè)正樣本和500個(gè)負(fù)樣本進(jìn)行特征編碼，利用AdaBoost算法降低計(jì)算復(fù)雜度，選用簡(jiǎn)單的SVM對(duì)疵點(diǎn)進(jìn)行分類。此方法對(duì)于規(guī)則圖像可以檢測(cè)到大多數(shù)缺陷，但存在一定的誤檢率。為彌補(bǔ)這一不足，可以將圖像分割得更小，但這會(huì)耗費(fèi)更多的時(shí)間，影響效率。2016年，Gao等[22]提出了基于Gabor-HOG(GHOG)的方法來(lái)凸顯出缺陷區(qū)域，用HOG從Gabor的映射中提取特征，將Gabor濾波器和HOG結(jié)合起來(lái)用于目標(biāo)檢測(cè)。在香港大學(xué)織物疵點(diǎn)圖像數(shù)據(jù)集上的結(jié)果顯示，該方法可以有效提高織物疵點(diǎn)檢測(cè)的精度。2019年，Li等[23]在有效的二階方向描述子GHOG的基礎(chǔ)上，在這個(gè)模型中加入基于人類視覺機(jī)制的空間融合策略。實(shí)驗(yàn)結(jié)果顯示，該方法在缺經(jīng)、破洞、網(wǎng)紋、粗條紋、細(xì)條紋等疵點(diǎn)上，檢測(cè)準(zhǔn)確率均大于95.52%。

直方圖統(tǒng)計(jì)法計(jì)算簡(jiǎn)單且計(jì)算成本低，但是對(duì)噪聲敏感，誤檢率高，比較適用于經(jīng)向和緯向疵點(diǎn)的檢測(cè)。

2.2.2 灰度共生矩陣

灰度共生矩陣(GLCM)是通過(guò)計(jì)算圖像空間中某2個(gè)像素間的相關(guān)特性來(lái)計(jì)算圖像紋理特征的二階統(tǒng)計(jì)法[24-27]。

2015年，Arnia等[24]提出了基于GLCM能量和對(duì)比度特征的檢測(cè)方法，這是在沒(méi)有參考圖像的情況下，直接選取能量高且對(duì)比度低的圖像進(jìn)行檢測(cè)，減少了計(jì)算量。在TILDA數(shù)據(jù)集上的實(shí)驗(yàn)表明，該方法可以實(shí)時(shí)監(jiān)測(cè)織物疵點(diǎn)，但是存在漏檢的問(wèn)題。同年，Zhu等[25]提出了基于自相關(guān)函數(shù)和歐氏距離的織物檢測(cè)方法，這種方法需要根據(jù)不同的織物類型來(lái)改變閾值?；谌本?、孔洞、錯(cuò)緯、油污等疵點(diǎn)圖像的實(shí)驗(yàn)結(jié)果表明，該方法雖然對(duì)于組織周期小的色織布檢測(cè)效果較好，但是計(jì)算量大，實(shí)現(xiàn)起來(lái)比較復(fù)雜。在此基礎(chǔ)上，2016年，Hamdi等[26]對(duì)此方法進(jìn)行了改進(jìn)，通過(guò)計(jì)算圖像在水平方向和垂直方向上的平均向量來(lái)確定織物圖案周期，將參考無(wú)缺陷圖像和缺陷圖像分割為與織物圖案尺寸相同的塊，計(jì)算灰度共生矩陣。然后，計(jì)算無(wú)缺陷圖像和缺陷圖像的每個(gè)灰度共生矩陣與參考矩陣之間的歐氏距離。最后，將得到的歐氏距離與預(yù)先計(jì)算的閾值進(jìn)行比較，在香港大學(xué)織物疵點(diǎn)圖像數(shù)據(jù)集上的結(jié)果顯示，該方法對(duì)缺經(jīng)、粗條紋、細(xì)條紋3種疵點(diǎn)檢測(cè)的平均準(zhǔn)確率為98%。這種方法能夠在不同的織物類型下，自動(dòng)確定閾值，使得織物疵點(diǎn)檢測(cè)更加全自動(dòng)化。2019年，Gustian等[27]利用灰度共生矩陣和主成分分析方法進(jìn)行特征提取，多類支持向量機(jī)采用的是一對(duì)所有(OAA)和一對(duì)一(OAO)的高斯核或徑向基函數(shù)作為分類方法。在3種類型的troso織物圖像上進(jìn)行實(shí)驗(yàn)，結(jié)果表明，troso織物使用SVM OAA和SVM OAO這2種分類方法分別可以達(dá)到90%和86.7%的準(zhǔn)確率。在未來(lái)的研究方向上，可以使用更多的訓(xùn)練數(shù)據(jù)或增加預(yù)處理來(lái)獲得更好的精度，但是由于灰度共生矩陣法的計(jì)算量大，所以一般不適用于高分辨率織物圖像。

2.2.3 數(shù)學(xué)形態(tài)學(xué)

數(shù)學(xué)形態(tài)學(xué)是基于幾何學(xué)的特征提取方法，它需要根據(jù)不同的圖像選擇特定的結(jié)構(gòu)元素對(duì)圖像進(jìn)行運(yùn)算，從而提取圖像中對(duì)應(yīng)形狀的特征，基本運(yùn)算包括腐蝕、膨脹、開運(yùn)算和閉運(yùn)算[28-29]。

2009年，Mak等[28]使用了Gabor小波神經(jīng)網(wǎng)絡(luò)提取特征，并將提取的特征用來(lái)設(shè)計(jì)形態(tài)濾波器，以檢測(cè)織物的疵點(diǎn)，在油斑、毛刺、打結(jié)疵等疵點(diǎn)上，誤報(bào)率為3.3%。這與傳統(tǒng)的監(jiān)督檢測(cè)方法相比，很大程度上降低了檢測(cè)誤報(bào)率。2016年，Rebhi等[29]提出了基于局部均勻性和數(shù)學(xué)形態(tài)學(xué)的織物疵點(diǎn)檢測(cè)算法，對(duì)以每個(gè)像素的局部均勻性構(gòu)造表示的新均勻性圖像計(jì)算出一個(gè)經(jīng)典的直方圖。然后，選擇一個(gè)最優(yōu)的閾值來(lái)生成相應(yīng)的二值圖像。最后，對(duì)圖像進(jìn)行一系列形態(tài)學(xué)操作，以檢測(cè)可能存在的織物疵點(diǎn)。此方法可以檢測(cè)不同織物的各種不同的疵點(diǎn)，在香港大學(xué)織物疵點(diǎn)圖像數(shù)據(jù)集上的檢測(cè)準(zhǔn)確率為95.6%，具有很強(qiáng)的魯棒性，并且誤報(bào)率較低，但是此方法對(duì)計(jì)算的要求較高。

2.3 基于頻譜的織物圖像疵點(diǎn)檢測(cè)方法

織物的紋理具有周期性，這與頻譜特性相類似，因此可以把頻譜分析的方法應(yīng)用在圖像紋理上?；陬l譜的織物圖像疵點(diǎn)檢測(cè)方法就是根據(jù)這一原理，將織物圖像從空間域變換到頻域后來(lái)檢測(cè)織物疵點(diǎn)[30-32]。傅里葉變換[30-33]、小波變換[34-37]、Gabor變換[38-41]等是頻譜法中應(yīng)用較多的方法。

2.3.1 傅里葉變換

傅里葉變換具有較小計(jì)算量的特點(diǎn)，可以用傅里葉變換的總和表示任何頻率和幅度的正弦和余弦信號(hào)，將圖像空間域信號(hào)變換成頻域信號(hào)，可以減小噪聲對(duì)檢測(cè)的影響[30-32]。它具有平移不變性和表征周期性，但是不能對(duì)空間域的疵點(diǎn)進(jìn)行區(qū)域定位，只能應(yīng)用在全局檢測(cè)上[33]。

2008年，Guan等[30]使用傅里葉變換方法去除正常紋理，分割出多個(gè)子窗口，將標(biāo)準(zhǔn)差作為特征提取與正常子窗口特征進(jìn)行比較來(lái)判斷疵點(diǎn)。該方法能夠檢測(cè)到弱小的疵點(diǎn)以及與背景灰度相近的疵點(diǎn)，在平紋和斜紋織物圖像上的檢測(cè)準(zhǔn)確率基本大于90%，但是此方法只能用來(lái)檢測(cè)疵點(diǎn)是否存在，無(wú)法給出疵點(diǎn)的類型和位置。2015年，Sakhare等[31]將光譜域方法與空間域方法相結(jié)合，首先使用相機(jī)捕獲缺經(jīng)、缺緯和破洞等疵點(diǎn)圖像，通過(guò)光譜域方法檢測(cè)疵點(diǎn)的存在與否，再通過(guò)空間域方法得到疵點(diǎn)的類型和位置，有效提高了疵點(diǎn)的定位精度，準(zhǔn)確率大于87.94%。針對(duì)織物疵點(diǎn)在線實(shí)時(shí)檢測(cè)的問(wèn)題，2017年，Pan等[32]提出了基于統(tǒng)一計(jì)算設(shè)備架構(gòu)(CUDA)的快速傅里葉變換(FFT)的方法。該方法面向跳花、勾線等疵點(diǎn)圖像，在GPU平臺(tái)上采用多線程并行實(shí)現(xiàn)FFT算法進(jìn)行織物疵點(diǎn)檢測(cè)，在保證檢測(cè)的正確率的前提下，可以顯著縮短檢測(cè)的時(shí)長(zhǎng)；但是傅里葉變換受織物結(jié)構(gòu)變化的影響較大，且為全局方法，考察的是全局的織物紋理特征，無(wú)法對(duì)圖像進(jìn)行局部分析，因此這種方法不適合檢測(cè)細(xì)小的局部疵點(diǎn)。

2.3.2 小波變換

小波變換以傅里葉變換為基礎(chǔ)，對(duì)傅里葉變換不能應(yīng)用在局部分析的缺點(diǎn)做出了改進(jìn)，可以進(jìn)行空間和頻域的局部變換，具有多尺度多分辨率的特點(diǎn)[34-37]。

2001年，Yang等[34]研究了基于非下采樣小波變換，針對(duì)穿錯(cuò)、斷頭、缺緯、稀密路、松經(jīng)5類織物疵點(diǎn)，設(shè)計(jì)了自適應(yīng)小波濾波器，提高了缺陷區(qū)域與背景的小波變換能量比，從而提高了對(duì)織物疵點(diǎn)的檢測(cè)準(zhǔn)確性，但是其準(zhǔn)確性還是不能滿足工業(yè)生產(chǎn)需求，還需進(jìn)一步提升。2013年，Li等[35]提出了一種改進(jìn)的基于高頻系數(shù)的直接閾值分割方法，利用小波變換對(duì)圖像進(jìn)行分解，結(jié)合數(shù)學(xué)形態(tài)學(xué)進(jìn)行濾波，這種方法在經(jīng)編機(jī)上獲得了令人滿意的檢測(cè)率，并已在工廠中實(shí)際運(yùn)行。2015年，Karlekar等[36]將小波變換應(yīng)用于織物紋理建模和疵點(diǎn)檢測(cè)上，應(yīng)用直接閾值分割技術(shù)對(duì)經(jīng)編織物疵點(diǎn)進(jìn)行檢測(cè)，取得了滿意的效果。實(shí)時(shí)性也是織物疵點(diǎn)檢測(cè)的重要指標(biāo)之一，2020年，Li等[37]根據(jù)織物疵點(diǎn)的特點(diǎn)，提出了一種疵點(diǎn)方向投影算法(DDPA)，主要解決了多通道Gabor小波數(shù)據(jù)冗余和運(yùn)算效率低的問(wèn)題。在竹節(jié)、雙緯、錯(cuò)緯、環(huán)緯和斷頭5種疵點(diǎn)數(shù)據(jù)集上的實(shí)驗(yàn)顯示，DDPA算法在精度和運(yùn)算速度上表現(xiàn)優(yōu)異，具有一定的性能和應(yīng)用優(yōu)勢(shì)。但是小波變換會(huì)由于顏色變化和邊緣平滑而無(wú)法檢測(cè)到疵點(diǎn)，檢測(cè)效果受小波基選擇的影響。雖然它具有較高的準(zhǔn)確率，但是同時(shí)其計(jì)算成本較高。

2.3.3 Gabor變換

Gabor變換需要根據(jù)紋理結(jié)構(gòu)不同，設(shè)計(jì)不同比例和方向的濾波器，從而對(duì)織物紋理進(jìn)行空間和頻域分析[38]。Gabor濾波器可以看作是高斯核函數(shù)在頻域由復(fù)正弦函數(shù)調(diào)制而成的高斯分布函數(shù)，它是一種邊緣提取的線性濾波器，很適合紋理的表達(dá)和分離[39-41]。

2002年，Kumar等[39]利用一類自相似Gabor函數(shù)，提出了一種用于無(wú)監(jiān)督織物疵點(diǎn)檢測(cè)的多通道濾波方案，它利用虛Gabor函數(shù)實(shí)現(xiàn)了低成本的web檢測(cè)，對(duì)于打結(jié)疵、穿錯(cuò)、網(wǎng)紋和缺緯等疵點(diǎn)，均能達(dá)到很好的檢測(cè)效果。2014年，Agilandeswari等[40]利用預(yù)訓(xùn)練的Gabor小波網(wǎng)絡(luò)提取織物中重要的紋理特征，通過(guò)在Gabor小波網(wǎng)絡(luò)的隱層中設(shè)置一個(gè)虛Gabor小波，減少了不良紗線、滲色和氣孔等疵點(diǎn)圖像訓(xùn)練時(shí)所需的計(jì)算量，并且通過(guò)形態(tài)濾波器降低了虛警率。2019年，曹桂紅等[41]通過(guò)SIFT算法進(jìn)行特征點(diǎn)的提取，剔除了無(wú)效匹配點(diǎn)后，采用二維Gabor濾波器實(shí)現(xiàn)了織物疵點(diǎn)的檢測(cè)。在TILDA織物疵點(diǎn)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，該方法具有較好的檢測(cè)效果。Gabor濾波器比較適合對(duì)織物紋理結(jié)構(gòu)進(jìn)行描述和分析，擁有較強(qiáng)的實(shí)用性，但是Gabor變換較難選取最佳濾波器的參數(shù)。

2.4 基于模型的織物圖像疵點(diǎn)檢測(cè)方法

基于模型的織物疵點(diǎn)檢測(cè)方法是根據(jù)正?？椢锛y理建立模型，然后根據(jù)假設(shè)驗(yàn)證的方法，對(duì)被測(cè)織物圖像是否符合模型進(jìn)行判斷，以此來(lái)實(shí)現(xiàn)疵點(diǎn)檢測(cè)，適用于織物表面特征變化沒(méi)有規(guī)律的情況[42-44]。但其計(jì)算量大、適用的疵點(diǎn)檢測(cè)類型較少，實(shí)用性并不高，因此近年關(guān)于此方法的研究較少。常用的基于模型的方法包括自回歸模型[42]和馬爾可夫隨機(jī)場(chǎng)模型[43-44]。

2.4.1 自回歸模型

自回歸模型是根據(jù)紋理圖像中不同像素之間的線性依賴關(guān)系來(lái)表示紋理特征，它只須通過(guò)對(duì)線性方程組進(jìn)行求解即可實(shí)現(xiàn)預(yù)測(cè)，具有計(jì)算時(shí)間短，成本低的優(yōu)點(diǎn)，但是由于使用的樣本有限，所以準(zhǔn)確率不高[42]。

2014年，Vaddin等[42]研究了基于直流抑制傅里葉功率譜特征總和(DCSFPSS)的平紋織物周期性建模方法，以一維DCSFSS數(shù)據(jù)為信號(hào)，進(jìn)行了普通平紋組織樣本的非參數(shù)建模和參數(shù)化建模實(shí)驗(yàn)，驗(yàn)證了參數(shù)化方法在普通織物建模中的有效性。然后，在一幅正常織物圖像的DCSFPSS上測(cè)試了參數(shù)化方法，即自回歸(AR)和自回歸滑動(dòng)平均(ARMA)模型，實(shí)驗(yàn)驗(yàn)證了在DCSFPSS上使用AR(32)模型更好，AR(32)模型在緯向/經(jīng)向方向顯示出約84%/95%的擬合值。它具有計(jì)算量小，復(fù)雜度低，同時(shí)準(zhǔn)確率較高的優(yōu)點(diǎn)。但是自回歸模型可以檢測(cè)的疵點(diǎn)種類有限，且不能很好地提取細(xì)小疵點(diǎn)的特征。

2.4.2 馬爾可夫隨機(jī)場(chǎng)模型

馬爾可夫隨機(jī)場(chǎng)(MRF)模型是建立在馬爾可夫模型和貝葉斯理論基礎(chǔ)之上的，它利用無(wú)噪聲織物圖像中像素點(diǎn)之間的相關(guān)性，通過(guò)計(jì)算局部區(qū)域每個(gè)像素的密度值，從而得到像素與突變間的關(guān)系[43-44]。

1996年，Ozdemir等[43]研究了以MRF為紋理模型的織物疵點(diǎn)檢測(cè)方法和基于Karhunen-Loeve變換的織物疵點(diǎn)檢測(cè)方法。實(shí)驗(yàn)證明了這2種方法都能成功地發(fā)現(xiàn)紡織品的疵點(diǎn)，并且該方法在雙TMS320C40的并行處理系統(tǒng)上可以實(shí)現(xiàn)實(shí)時(shí)檢測(cè)。然而，MRF方法比基于Karhunen-Loeve變換的方法具有較快的速率。2013年，楊曉波[44]提出了一種高斯-馬爾可夫隨機(jī)場(chǎng)(GMRF)紋理模型來(lái)自動(dòng)識(shí)別不同種類的統(tǒng)計(jì)特征畸變織物疵點(diǎn)，并通過(guò)仿真實(shí)驗(yàn)證明了GMRF模型對(duì)統(tǒng)計(jì)特征畸變疵點(diǎn)的有效性，能夠通過(guò)其模型參數(shù)簡(jiǎn)潔地表示跳花疵、稀密路疵、粗紗、斷經(jīng)等多種疵點(diǎn)織物。但是研究表明，對(duì)于區(qū)域面積較小的疵點(diǎn)，或類似散彈噪聲的雜質(zhì)，此方法的檢測(cè)效果不佳。

2.5 基于學(xué)習(xí)的織物圖像疵點(diǎn)檢測(cè)方法

基于學(xué)習(xí)的織物圖像疵點(diǎn)檢測(cè)方法的研究重點(diǎn)主要包括卷積神經(jīng)網(wǎng)絡(luò)(CNN)[45-54]、遞歸神經(jīng)網(wǎng)絡(luò)(RNN)[55]等深度學(xué)習(xí)模型[56]。卷積神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性擬合能力，具有魯棒性好、泛化能力強(qiáng)等優(yōu)點(diǎn)[57]。2013年，Kumar[45]提出了利用線性神經(jīng)網(wǎng)絡(luò)進(jìn)行織物疵點(diǎn)檢測(cè)的方案，在相機(jī)拍攝的640像素×480像素的低分辨率織物圖像上進(jìn)行了實(shí)驗(yàn)，證明了此方法的有效性。隨著模型結(jié)構(gòu)日趨復(fù)雜，模型層次也不斷加深，Jing等[46]提出了基于CNN的織物疵點(diǎn)自動(dòng)檢測(cè)方法。首先將織物圖像分解為局部區(qū)域，并對(duì)每個(gè)局部區(qū)域進(jìn)行標(biāo)記。然后將貼片傳送到預(yù)先訓(xùn)練好的深層CNN進(jìn)行遷移學(xué)習(xí)。最后利用訓(xùn)練好的模型在整個(gè)圖像上滑動(dòng)來(lái)檢測(cè)疵點(diǎn)，得到每個(gè)疵點(diǎn)的類別和位置。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的淺層學(xué)習(xí)方法相比，CNN的方法可以通過(guò)自適應(yīng)調(diào)整參數(shù)來(lái)有效地學(xué)習(xí)疵點(diǎn)特征，提高了檢測(cè)效率，縮短了檢測(cè)時(shí)間，可以獲得準(zhǔn)確率較高的結(jié)果。為進(jìn)一步提高織物疵點(diǎn)的檢測(cè)效果，Ouyang等[47]在CNN中引入了新的成對(duì)電位激活層，采用了統(tǒng)計(jì)疵點(diǎn)信息和CNN相結(jié)合的方法對(duì)織物疵點(diǎn)進(jìn)行檢測(cè)，提高了對(duì)特征復(fù)雜、數(shù)據(jù)集不平衡的織物疵點(diǎn)的檢測(cè)精度。Faster R-CNN算法是基于候選區(qū)域的目標(biāo)檢測(cè)算法中的代表算法，在目標(biāo)檢測(cè)領(lǐng)域展現(xiàn)了其優(yōu)異的性能。2018年，AN等[48]提出了一種改進(jìn)的Faster R-CNN方法，使用深度殘差網(wǎng)絡(luò)代替?zhèn)鹘y(tǒng)的VGG-16進(jìn)行特征提取，增加了特征金字塔模塊，并且增加了錨框的數(shù)量，使用了Softmax分類器用于訓(xùn)練。該算法模型收斂速度快，性能優(yōu)良，在TILDA數(shù)據(jù)集上的平均精度達(dá)到了94.66%。隨后，針對(duì)織物圖像采集過(guò)程中存在疵點(diǎn)樣本分布不均，現(xiàn)有色織物疵點(diǎn)樣本多樣性貧乏的問(wèn)題，李明等[49]提出了應(yīng)用生成對(duì)抗網(wǎng)絡(luò)(GAN)和Faster R-CNN相結(jié)合的疵點(diǎn)識(shí)別算法，先對(duì)疵點(diǎn)織物進(jìn)行GAN訓(xùn)練擴(kuò)充樣本，然后再利用Faster R-CNN算法得到最后的識(shí)別結(jié)果。該方法在色織物圖像數(shù)據(jù)集中能準(zhǔn)確獲取疵點(diǎn)位置和類別，并且提高了疵點(diǎn)圖像的檢測(cè)效率，但是檢測(cè)速度仍然有待提升。

相比于上述基于候選區(qū)域的檢測(cè)算法，基于回歸的YOLO系列、SSD系列算法在檢測(cè)速度方面取得了很大的進(jìn)步。2018年，Zhang等[50]提出了一種基于YOLO V2的色織物疵點(diǎn)自動(dòng)定位與分類方法。實(shí)驗(yàn)結(jié)果表明，該方法能達(dá)到較高的精度，滿足色織物疵點(diǎn)實(shí)時(shí)檢測(cè)的需要。但是此方法在對(duì)特征復(fù)雜的織物進(jìn)行檢測(cè)時(shí)，檢測(cè)性能會(huì)有所下降?；赟SD目標(biāo)檢測(cè)網(wǎng)絡(luò)，張麗瑤等[51]在2020年提出了一種織物疵點(diǎn)檢測(cè)方法。該方法首先利用圖像處理技術(shù)減弱不同織物的背景紋理信息，然后用SSD網(wǎng)絡(luò)模型對(duì)樣本中的疵點(diǎn)進(jìn)行學(xué)習(xí)，生成的網(wǎng)絡(luò)模型可以實(shí)現(xiàn)較高的準(zhǔn)確率和較好的實(shí)時(shí)性。

針對(duì)計(jì)算資源受限的應(yīng)用場(chǎng)景，2020年，Zhu等[52]對(duì)DenseNet的結(jié)構(gòu)進(jìn)行了改進(jìn)，提出了更適應(yīng)資源受限的邊緣計(jì)算場(chǎng)景的輕量級(jí)卷積網(wǎng)絡(luò)。改進(jìn)的DenseNet優(yōu)化了交叉熵?fù)p失函數(shù)，通過(guò)增加Dropout層，降低了網(wǎng)絡(luò)訓(xùn)練過(guò)程中過(guò)度擬合的風(fēng)險(xiǎn)。在來(lái)自阿里天池競(jìng)賽2 560像素×1 920像素的數(shù)據(jù)集上，能有效檢測(cè)11種疵點(diǎn)。

對(duì)于在實(shí)際生產(chǎn)中經(jīng)常存在的數(shù)據(jù)不平衡的問(wèn)題，2020年，Wang等[53]提出了一種輕量級(jí)深度學(xué)習(xí)模型。該算法模型對(duì)DeeplabV3+模型進(jìn)行了改進(jìn)，借鑒其在多尺度目標(biāo)檢測(cè)方面的優(yōu)勢(shì)，使得網(wǎng)絡(luò)結(jié)構(gòu)更輕，同時(shí)也提高了檢測(cè)速度。此外，Wang等設(shè)計(jì)了一個(gè)疵點(diǎn)樣本生成器來(lái)生成疵點(diǎn)樣本，通過(guò)生成的疵點(diǎn)樣本來(lái)訓(xùn)練模型，使用真實(shí)樣本來(lái)進(jìn)行驗(yàn)證，一定程度上解決了數(shù)據(jù)不平衡的問(wèn)題。2021年，Huang等[54]提出了用于疵點(diǎn)分割和檢測(cè)的高效卷積神經(jīng)網(wǎng)絡(luò)。該方法大大減少了對(duì)數(shù)據(jù)集進(jìn)行人工標(biāo)注的昂貴成本，結(jié)合非疵點(diǎn)樣本，只需少量的疵點(diǎn)樣本就可以學(xué)習(xí)疵點(diǎn)的潛在特征，并獲得高精度的疵點(diǎn)定位?；诠_PTF數(shù)據(jù)集和3個(gè)自制織物數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果表明，該方法只需要50個(gè)疵點(diǎn)樣本就能得到準(zhǔn)確的分割結(jié)果，并能達(dá)到25幀/s的實(shí)時(shí)檢測(cè)要求。然而，這種擴(kuò)大樣本的方法也存在不足之處:一是難以生成高分辨率圖像;二是生成過(guò)程仍然需要少量的真實(shí)疵點(diǎn)圖像。

長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)(LSTM)是一種特殊的遞歸神經(jīng)網(wǎng)絡(luò)，它可以很好地解決遞歸神經(jīng)網(wǎng)絡(luò)的長(zhǎng)期依賴問(wèn)題。2019年，Zhao等[55]提出了基于視覺長(zhǎng)短期記憶的綜合CNN模型，提取了3類特征，分別是由層疊卷積自動(dòng)編碼器提取的視覺感知信息，以淺卷積神經(jīng)網(wǎng)絡(luò)為特征的視覺短時(shí)記憶信息以及以非局部神經(jīng)網(wǎng)絡(luò)為特征的視覺長(zhǎng)時(shí)記憶信息。這3類特征是互補(bǔ)的，且不是完全冗余的，在DHU-FD-500、DHU-FD-1000和阿里云-FD-10500這3個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果證明了此方法的性能。

3 織物疵點(diǎn)檢測(cè)系統(tǒng)研究進(jìn)展

3.1 國(guó)外織物疵點(diǎn)檢測(cè)系統(tǒng)

在國(guó)外，主流的自動(dòng)驗(yàn)布系統(tǒng)包括Fabriscan自動(dòng)驗(yàn)布系統(tǒng)、I-TEX系列自動(dòng)驗(yàn)布系統(tǒng)、Cyclops自動(dòng)驗(yàn)布系統(tǒng)以及USTER Q-BAR 2織物檢測(cè)儀等。

3.1.1 Fabriscan自動(dòng)驗(yàn)布系統(tǒng)

瑞士Uster公司開發(fā)的Fabriscan自動(dòng)驗(yàn)布系統(tǒng)，運(yùn)用了高分辨率攝像機(jī)和神經(jīng)網(wǎng)絡(luò)技術(shù)。驗(yàn)布工作時(shí)，先進(jìn)行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，然后再進(jìn)入檢測(cè)階段，把檢測(cè)到的疵點(diǎn)信息發(fā)送到上位機(jī)，再通過(guò)質(zhì)量管理軟件對(duì)織物質(zhì)量進(jìn)行最終判定[58]。該系統(tǒng)不僅適用于簡(jiǎn)單的坯布，而且適用于各種復(fù)雜的織物。其檢出率達(dá)90%左右，檢驗(yàn)速度達(dá)120 m/min[59]。

3.1.2 I-TEX系列自動(dòng)驗(yàn)布系統(tǒng)

以色列EVS公司的自動(dòng)驗(yàn)布系統(tǒng)技術(shù)來(lái)源于軍事用途的目標(biāo)搜索偵測(cè)技術(shù)[60]，第一代產(chǎn)品I-TEX100主要用于坯布及工業(yè)用布的檢驗(yàn)。第二代產(chǎn)品I-TEX200主要用于單色染色織物的檢驗(yàn)。第三代產(chǎn)品I-TEX2000能檢測(cè)不同的紡紗、織造、整理和涂層工藝的任何織物上，檢測(cè)速度為300 m/min，檢測(cè)織物幅寬達(dá)600 cm，最小可檢測(cè)出0.5 mm的疵點(diǎn)[61]。近年推廣的IQ-TEX4自動(dòng)視覺檢測(cè)系統(tǒng)，利用高分辨率的彩線掃描技術(shù)以及增強(qiáng)缺陷分類算法，實(shí)現(xiàn)了疵點(diǎn)的檢測(cè)和演示。該系統(tǒng)可在生產(chǎn)過(guò)程中提供實(shí)時(shí)視覺監(jiān)控，能在檢測(cè)速度達(dá)1 000 m/min的情況下，檢測(cè)出小于0.1 mm的疵點(diǎn)，包括破洞、斷經(jīng)、異物、污點(diǎn)、破邊等[62]。

3.1.3 Cyclops自動(dòng)驗(yàn)布系統(tǒng)

Barco公司的Cyclops系統(tǒng)與上述2種系統(tǒng)有所不同，其掃描頭安裝在正在織造的機(jī)器上，而上述2種系統(tǒng)的掃描頭則通常安裝在卷布機(jī)上。Cyclops系統(tǒng)采用相機(jī)拍照，再經(jīng)過(guò)圖像處理和計(jì)算分析圖像，發(fā)現(xiàn)疵點(diǎn)后Cyclops系統(tǒng)會(huì)發(fā)出警報(bào)或停機(jī)，并記錄疵點(diǎn)位置和特征[58]。但此系統(tǒng)需要使用專門的硬件以及需要中型計(jì)算機(jī)完成大量圖像處理運(yùn)算[63]，成本偏高。

3.1.4 USTER Q-BAR 2織物檢測(cè)儀

EVS公司具有優(yōu)異的智能視覺檢測(cè)和故障識(shí)別算法技術(shù)，生產(chǎn)的USTER Q-BAR 2織物檢測(cè)儀可提供不同的算法來(lái)識(shí)別特定疵點(diǎn)及其原因。如若在織物織成階段檢測(cè)到疵點(diǎn)就會(huì)停止織造，避免疵點(diǎn)問(wèn)題的擴(kuò)散，以此保障所要求的織物質(zhì)量。該系統(tǒng)可以從織機(jī)設(shè)置到整卷，對(duì)機(jī)織織物進(jìn)行連續(xù)的幅寬測(cè)量，處理整個(gè)織物幅寬。此外，因Uster公司在質(zhì)量管理體系上的多年經(jīng)驗(yàn)累積，使得USTER Q-BAR 2織物檢測(cè)儀能夠提供友好的用戶交互環(huán)境，提示操作員疵點(diǎn)位置，并通過(guò)裝置側(cè)面的燈來(lái)顯示系統(tǒng)狀態(tài)，并且該裝置還會(huì)對(duì)織物疵點(diǎn)進(jìn)行分類和保存，能夠在觸摸屏上呈現(xiàn)出“疵點(diǎn)地圖”供操作員調(diào)用和查看[64]。

3.2 國(guó)內(nèi)織物疵點(diǎn)檢測(cè)系統(tǒng)

近年來(lái)國(guó)內(nèi)也有許多企業(yè)致力于研發(fā)織物疵點(diǎn)自動(dòng)檢測(cè)系統(tǒng)，包括陜西長(zhǎng)嶺紡織機(jī)電科技有限公司的FS220型光電自動(dòng)驗(yàn)布機(jī)，數(shù)優(yōu)(蘇州)人工智能科技有限公司Textile A.I.Solution(TAS)驗(yàn)布系統(tǒng)，常州范視電子科技有限公司和常州工圖視覺科技有限公司的紡織瑕疵檢測(cè)系統(tǒng)以及深圳靈圖慧視科技有限公司的靈圖慧視智能驗(yàn)布機(jī)等。

3.2.1 FS220型光電自動(dòng)驗(yàn)布機(jī)

FS220型光電自動(dòng)驗(yàn)布機(jī)基于機(jī)器視覺和圖像處理技術(shù)，通過(guò)圖像空間域的變化，增強(qiáng)了疵點(diǎn)特征。圖像處理流程為：圖像采集，圖像分割，高斯濾波，直方圖初步識(shí)別，二值化，輪廓變換，疵點(diǎn)識(shí)別[65]。系統(tǒng)可以設(shè)定30和60 m/min 2檔驗(yàn)布速度，正檢率高，誤判率低于15%，發(fā)展?jié)摿薮?，?duì)提升紡織企業(yè)的布匹質(zhì)量水平有著重要的意義。

3.2.2 Textile A.I.Solution驗(yàn)布系統(tǒng)

基于深度學(xué)習(xí)開發(fā)的Textile A.I.Solution(TAS)驗(yàn)布系統(tǒng)[66]主要檢測(cè)的是布匹印花、印染等染色工序中產(chǎn)生的疵點(diǎn)。該系統(tǒng)提高了深度學(xué)習(xí)算法的速度，有助于快速準(zhǔn)確地檢測(cè)疵點(diǎn)，檢測(cè)幅寬達(dá)300 cm，檢測(cè)速度為80 m/min，檢測(cè)精度為0.2 mm。

3.2.3 紡織瑕疵檢測(cè)系統(tǒng)

紡織瑕疵檢測(cè)系統(tǒng)采用深度學(xué)習(xí)建模技術(shù)，檢測(cè)幅寬為0.5～2 m，最高檢測(cè)速度為100 m/min，檢測(cè)精度在0.1～0.5 mm之間可選，紡織瑕疵檢測(cè)系統(tǒng)適用于素色布料，可以檢測(cè)多種常規(guī)疵點(diǎn)，如斷經(jīng)斷緯、缺經(jīng)缺緯、粗節(jié)、稀經(jīng)稀緯、飛花織入、破洞、色點(diǎn)以及破邊、門幅異常等。對(duì)于明顯的疵點(diǎn)識(shí)別率為100%，對(duì)不明顯的疵點(diǎn)檢出率也能達(dá)80%～90%，誤報(bào)率基本為0。

3.2.4 靈圖慧視智能驗(yàn)布機(jī)

基于深度學(xué)習(xí)和機(jī)器視覺技術(shù)開發(fā)的靈圖慧視智能驗(yàn)布機(jī)通過(guò)自建ABC(AI、BigData、Cloud Computing)深度學(xué)習(xí)模型，實(shí)現(xiàn)在復(fù)雜的面料環(huán)境下的學(xué)習(xí)，提升了檢出率。與此同時(shí)，該系統(tǒng)的開發(fā)公司創(chuàng)建了關(guān)于織物疵點(diǎn)大數(shù)據(jù)庫(kù)，其中包含了針織疵點(diǎn)9大類，機(jī)織疵點(diǎn)8大類，共計(jì)100多種疵點(diǎn)類型。該大數(shù)據(jù)庫(kù)形成了紡織行業(yè)新的生態(tài)系統(tǒng)，仍在不斷完善中。在現(xiàn)有的疵點(diǎn)種類范圍中，該智能驗(yàn)布機(jī)的檢出率可達(dá)95%，高速檢測(cè)驗(yàn)布速度可達(dá)1 m/s，是人工檢測(cè)的3～5倍。該系統(tǒng)可以24 h不間斷地自動(dòng)檢測(cè)，工作周期高達(dá)10 a。

4 結(jié)束語(yǔ)

本文介紹了主流的織物圖像的預(yù)處理技術(shù)，并簡(jiǎn)要綜述了基于結(jié)構(gòu)、統(tǒng)計(jì)、頻譜、模型和學(xué)習(xí)的織物疵點(diǎn)檢測(cè)方法,并對(duì)這些方法的原理進(jìn)行了介紹,分析了其優(yōu)缺點(diǎn)與適用范圍。最后梳理總結(jié)了國(guó)外織物疵點(diǎn)檢測(cè)系統(tǒng)的研究進(jìn)展,并對(duì)織物疵點(diǎn)檢測(cè)方法的未來(lái)發(fā)展作出了展望。

1)由于織物圖像特征空間的類間模糊性和類內(nèi)差異性，目前特征提取方法的性能受到較大限制，影響預(yù)處理效果,因此，需要通過(guò)研究織物圖像的特征分布屬性，以此設(shè)計(jì)魯棒可靠的預(yù)處理方案，是未來(lái)研究的重點(diǎn)。

2)基于深度學(xué)習(xí)的織物疵點(diǎn)檢測(cè)方法依賴于大量的數(shù)據(jù)樣本，但是公開的數(shù)據(jù)資源非常稀缺，并且數(shù)據(jù)集的標(biāo)注也需要非常昂貴的人工標(biāo)注成本,因此，在沒(méi)有數(shù)據(jù)集標(biāo)注的情況下訓(xùn)練網(wǎng)絡(luò)，實(shí)現(xiàn)無(wú)監(jiān)督學(xué)習(xí)也是未來(lái)的研究重點(diǎn)之一。

3)當(dāng)前算法優(yōu)化的3個(gè)方向主要是檢測(cè)精度、實(shí)時(shí)性以及通用性，大部分算法都只在部分指標(biāo)上具有很好的效果,因此，未來(lái)需要發(fā)展各方面性能都更加魯棒的算法，才能更好地滿足紡織工業(yè)發(fā)展需求。

4)目前尚沒(méi)有免費(fèi)向研究者提供的通用織物疵點(diǎn)紋理數(shù)據(jù)集，研究者在實(shí)驗(yàn)中采用的數(shù)據(jù)集樣本來(lái)源多種多樣，且樣本的大小和質(zhì)量也存在差別，所以導(dǎo)致不同算法之間的性能對(duì)比不太直觀。

5)隨著疵點(diǎn)檢測(cè)技術(shù)的不斷發(fā)展，基于圖像處理技術(shù)的自動(dòng)驗(yàn)布系統(tǒng)必將逐步取代傳統(tǒng)人工檢測(cè)，具有很大的市場(chǎng)前景,因此，需要進(jìn)一步增加自動(dòng)驗(yàn)布系統(tǒng)的智能化程度，構(gòu)建滿足生產(chǎn)需求的軟硬件系統(tǒng)。

FZXB