基于圖像處理的織物疵點檢測算法綜述?

劉小敏，劉國高，宗國華，張　卓，張學武，劉宇興

（1.河海大學物聯網工程學院，常州213022；2.常州世紀鳥電動車制造有限公司，常州213118）

基于圖像處理的織物疵點檢測算法綜述?

劉小敏1，劉國高1，宗國華1，張卓1，張學武1，劉宇興2

（1.河海大學物聯網工程學院，常州213022；2.常州世紀鳥電動車制造有限公司，常州213118）

織物表面疵點的檢測在視覺檢測領域應用十分廣泛，對紡織品制造業中產品質量的監控具有重要的現實意義。目前織物疵點檢測仍存在很多難題，基于檢測精度、通用性和實時性這三個標準，對近年來織物疵點檢測算法進行了對比和總結。檢測算法根據檢測對象廣義上被分為兩大類：無圖案的表面疵點檢測和有圖案的表面疵點檢測。前者使用一些傳統的算法就能檢測出疵點，而后者相對復雜，使用傳統的算法很難完成檢測。將目前提出的算法分為以下幾類：統計法、頻譜法、模型法和有圖案背景的織物檢測，對幾種典型的算法進行深入比較，分析其優缺點，并總結了織物疵點檢測仍面臨的挑戰以及未來的發展趨勢。

織物；疵點檢測；檢測精度；通用性；實時性；無圖案；有圖案

1　引　言

織物是日常生活中被廣泛使用的材料，而織物表面疵點的檢測是確保織物生產中產品質量的一個重要環節，因此成為近年來一直很熱門的研究課題。傳統的人工檢查由于會消耗太多的人力，且檢查結果受人的主觀因素影響較大，因此自動化織物疵點檢測系統得到快速發展。主要回顧和了解國內外織物疵點檢測算法的研究現狀和最新發展，以及將來所面臨的挑戰。

織物不同的紋理和圖案以及疵點與背景紋理的相似性都會給檢測帶來極大挑戰，無論哪種單一算法都不能很好地克服這些挑戰，并能成功地檢測大量不同的樣本，目前存在的算法都具有很大的局限性。近年來各個國家的學者已經陸續對織物疵點的檢測算法進行研究并發表了很多有價值的論文，大部分已被提出的算法都是基于簡單紋理的無圖案織物疵點檢測算法，也有學者提出的一些算法用于檢測有圖案的織物疵點。主要列舉了幾種比較典型的算法，并作了比較，分析不同算法存在的優缺點。

2　織物表面疵點檢測的性能指標［1］

（1）檢測精度。有兩種方法評估檢測技術的精確度：①樣本檢測成功率；②有疵點樣本檢測成功率和無疵點樣本檢測成功率。根據檢測對象有無疵點，進一步定義漏檢率和誤檢率。令TP為有疵點的樣本檢測出疵點；FP為無疵點的樣本檢測出疵點；FN為有疵點的樣本未檢測出疵點；TN為無疵點的樣本未檢測出疵點。設CR為樣本檢測成功率；LR為漏檢率；FAR為誤檢率。則：

（2）通用性。通用性就是檢測算法能被應用于不同環境下不同織物上不同疵點的檢測，并達到較高的檢測成功率。織物檢測系統的通用性必須考慮：①疵點和紋理表面的差異度；②圖像分辨率；③疵點的大小和形狀；④光照條件等。

（3）實時性。實時性即要求檢測算法在運行速度上達到一定的標準。將開發的檢測系統運用到生產線上直接完成在線檢測任務，就必須考慮實時性這個重要指標。

3　無圖案的織物表面疵點檢測

對于無圖案的織物疵點，主要分為以下幾類檢測算法，如力1所示。

3.1統計法

利用統計學方法可以從圖像中提取不同的紋理特征，對圖像灰度的空間分布有很好地表示，將背景紋理和疵點通過統計特性的差異區分開來，常見的統計學方法有自相關函數、共生矩陣、數學形態學、分形維數等。

3.1.1自相關函數

織物表面圖像在局部區域內呈現不規則性，而在整體上又表現出某種規律性，這就構成了織物的紋理。自相關函數的變化與圖像中紋理粗細的變化有著對應關系，從而可以描述圖像的紋理變化。自相關函數常被用來計算織物經緯方向重復單元的長度。，Wang等人［2］利用自相關函數找出織物表面的重復單元，計算重復單元的大小，以此作為分割織物圖像的依據。文獻［3］將疵點檢測過程看作是紋理的分割及識別，通過計算水平和垂直方向的自相關函數構造紋理基元模板，得到每個紋理基元與基元模板的差，進行疵點區域的增強，通過閾值對圖像分割。自相關函數對于規則性的紋理有很好的檢測效果，但在沒有原始模板作參照的情況下就不能分析紋理特征，且不能很好地分析隨機性較強的紋理。

圖1　織物疵點檢測算法分類

3.1.2灰度共生矩陣

灰度共生矩陣是有關圖像的二階統計特征，它主要通過計算圖像空間中某兩個像素之間的相關特性來研究圖像紋理的空間分布。文獻［4］用灰度共生矩陣計算紋理特征，提取角二階矩、相關性、均勻性、對比度等特征向量，將其作為支持向量機的輸入參量，從而檢測出該織物的類型。文獻［5］提出結合統計直方圖和灰度共生矩陣共同提取織物紋理特征，對28種織物疵點進行檢測，其中只有一種疵點未被成功檢測出來，檢測成功率達到93.1%。Kuo［6］在小波域下利用灰度共生矩陣提取圖像特征，作為神經網絡的輸入，對5種織物的疵點進行識別，識別率達到92.5%。灰度共生矩陣的空間特性優于自相關函數，但由于計算的矩陣維數過大，計算復雜度高，因而不適用于大尺寸紋理，而且基于共生矩陣的特征描述，并不能很好地區分背景紋理和疵點紋理的差異。為了克服這一缺點，鄒超等人提出類別共生矩陣［7］和模糊類別共生矩陣［8］的概念，將灰度共生矩陣中的各個灰度級別變成一種類別標識，即將灰度級別劃分成更少的類別。該算法在保留灰度共生矩陣優點的同時，還能大大地減少計算量，并更能區分背景紋理和疵點的差異。

3.1.3數學形態學

數學形態學以幾何學為基礎，其基本思想是選擇具有一定形狀的結構元素對圖像進行變換，從而提取圖像中對應形狀的特征，因此要根據不同的圖像選擇特定的結構元素。數學形態學作為一種新的圖像處理方法和理論，在很多領域都取得了非常成功的應用［9－11］。文獻［12］對織物圖像去噪處理后利用閾值分割將圖像轉換成二值圖像，對變換后的圖像進行形態學重建，形態學中使用的結構元素由人工神經網絡訓練得到。實驗用到317幅有疵點的樣本，成功率達到92.8%。Celik等人［13］將形態學和線性濾波器結合，對織物5種不同類型的疵點分別進行離線和在線檢測，檢測成功率分別為83%和88%，并用神經網絡理論對疵點進行識別，識別準確率為96.3%。Mak等人［14－15］提出一種半監督的形態學濾波器設計方法，先使用Gabor小波網絡提取織物表面紋理的局部特征，基于該紋理特征得到相應的結構元素，設計出有效的形態學濾波器。實驗中，該算法被應用到實時檢測儀器上，檢測對象為276幅平紋和斜紋織物圖像，其中17幅有疵點，檢測正確率達到96.7%。

3.1.4分形法

分形理論可以描述自然界存在的一些景物，即表述那些不規則圖像的統計特性，如粗糙程度、自相似性等。在計算分形維特征時，把圖像看成一個關于灰度的曲面，通過一定的統計近似計算得到該曲面的粗糙程度，與共生矩陣的特征有很大的相似性。文獻［16］中提出一種基于盒維數法的分形圖像分析法，提取單一的分形特征，應用到織物疵點的檢測中。但由于單一分形特征易忽略紋理的局部信息，因此對于織物紋理表面的細小疵點不能達到很好的檢測效果。為了克服單一分形特征對紋理表示的局限性，文獻［17］使用四個分形特征作為支持向量機的輸入，主要對局部突變的細小疵點類型進行檢測，檢測準確率在94.09%到98.30%之間，很好地克服了單一分形特征檢測疵點存在的不足。此外，由于分形法的計算量大，文獻［18］中為了提高檢測速率，將織物紋理圖像的灰度值分別沿縱橫方向投影得到一維數據，利用一維分形提取織物特征，來實現疵點的檢測，并與二維分形特征提取的方法進行對比，實驗表明一維分形特征提取所消耗的時間大約是二維特征的五分之一。

3.2頻域法

在頻域法中，其基本思想是將圖像變換到某個頻域下，再對圖像進行處理，下面主要介紹三種變換：傅里葉變換、小波變換和Gabor濾波器。

3.2.1傅里葉變換

將圖像從空域變換成頻域，可以減小噪聲對檢測的影響。Millan［19－20］等人通過傅里葉分析提取織物紋理的結構特征，用來設計帶通濾波器的參數，不需要織物紋理或疵點的先驗知識，利用提取不同尺度的信息將疵點從織物背景中分割出來。但由于傅里葉變換不能提供局部時間段上的信息，所以不能定位缺陷。因此，窗口傅里葉變換的概念被提出［21］，既能描述缺陷頻域特征，同時也能定位空間位置，使用16*16大小的滑動窗口用來提取幅－頻特征。因為傅里葉變換不能對信號進行有效的時頻分解，近年來利用傅里葉變換檢測織物疵點的研究越來越少。

3.2.2小波變換

小波變換作為另一種時頻分析方法，可以對圖像進行多尺度細化分析，有效提取圖像的水平、垂直和對角方向的局部信息，利用這一優良性質可以用來檢測織物疵點。文獻［22］中用小波變換對織物圖像進行多層分解和重構，分離織物的經緯紗信息，計算得到織物的經緯密度，該算法可進一步拓展為織物經緯變形的檢測算法。在文獻［23］設計的在線織物檢測系統中，使用小波變換和邊緣溶解作為預處理，達到衰弱背景紋理和突出疵點的目的，對3700幅織物圖像進行實驗，共26種缺陷類型，檢測成功率達到89%，雖然檢測率不高，但其實驗數據充分可靠。文獻［24］將圖像最大熵原理和小波變換結合起來，求出小波變換后水平和垂直細節子圖的最大熵和平均熵，對平均熵最大的子圖像進行最大熵分割，完成對織物疵點的檢測，實驗表明該算法只針對緯向和徑向的疵點類型有效。

在一般情況下，小波基的選擇會對實驗結果有很大影響。近年來，很多學者開始研究最優小波基的選擇算法。文獻［25］中設計了一種自適應小波特征提取的方法和基于歐式距離的檢波器，用于檢測平紋和斜紋的織物。文獻［26］針對織物疵點的邊緣檢測問題，構造自適應雙正交小波優化目標函數，與一般的基于小波變換的圖像邊緣檢測算法進行對比，有更強的魯棒性。

3.2.3Gabor濾波器

由于Gabor濾波器在提取目標的局部空間和頻率域信息方面具有良好的特性，并能夠提供良好的方向選擇和尺度選擇特性，因此得到廣泛應用。Mak［27］又提出一種優化的Gabor濾波器算法檢測織物疵點，根據Gabor小波提取的織物紋理特征，設計一種優化的Gabor濾波器。Kumar［28］利用快速傅里葉變換求得無疵點織物圖像的頻譜成分，作為Gabor濾波器中心頻率選擇的基礎。文獻［29］提出的基于Gabor濾波器的算法實時分割了織物疵點，一共對12種紋理的織物表面的6種疵點類型進行實驗，并證明該算法也可應用于其它規則性紋理。Gabor濾波器作為一種特殊的短時傅里葉變換，可以與其它變換結合起來，如小波變換，文獻［30］提出一種優化的Gabor小波濾波器提取紋理的特征，但其實驗樣本有限。文獻［31］融合Gabor濾波器和高斯混合模型檢測平紋織物，檢測成功率達到87%。

3.3模型法

一般織物的紋理既包含有規律性的成分，又有隨機變化的成分，模型法適用于表面紋理隨機變化的織物，而統計法和頻譜法是很難實現的。

3.3.1馬爾科夫隨機場

馬爾科夫隨機場模型通過將統計信息和結構信息融合起來，描述像素間的一種相關性。文獻［32］比較了馬爾科夫隨機場模型法和K－L法的檢測結果，根據實驗結果，前者的性能要優于后者，且實時性更好。文獻［33］中提出一種新的小波域隱馬爾科夫樹模型，但實驗數據有限，沒有給出詳細的實驗結果。Hu等人［34］也提出使用小波域隱馬爾科夫隨機場建立無缺陷織物的紋理模型，模型參數通過訓練無疵點圖像得到，并通過最大期望思想確定有無缺陷，實驗對不同類型、大小、形狀的疵點以及不同的織物紋理進行實驗，驗證了算法的可靠性。研究表明，雖然馬爾科夫隨機場模型可以捕獲局部空間紋理變化的信息，但仍然不能很好地提取細小疵點的特征。

3.3.2自回歸模型

自回歸模型是一種線性預測，可以利用紋理圖像像素之間的線性依賴關系表示紋理特征，研究學者提出將自回歸模型用于一些圖像的缺陷檢測。Bu等人［35］分析了傳統頻域算法計算量大且頻域檢測紋理準確率低的缺點，提出一種自回歸的頻譜估計模型分析織物紋理的一維能量頻譜密度，將織物疵點從正常紋理中檢測出來，實驗從檢測精度和實時性兩方面證明了該算法的優越性。文獻［36］提出二維AR模型表示紋理特征，實驗表明該算法對尺寸小的疵點較為敏感，且容易受到光照條件的影響。文獻［37］提出的一維AD模型用于在線檢測缺陷，但該算法只在一些平紋織物圖像和紋理合成圖像上取得了較好的實驗效果。文獻［38］中描述的實驗表明AR模型的方法更適用于線狀疵點的檢測，對AR模型的階數進行了優選，完成平紋和斜紋兩種織物線狀疵點的檢測。

4　有圖案的織物表面疵點檢測

研究簡單紋理的檢測不能滿足大部分織物檢測的要求，所以有些學者開始研究有圖案的織物表面疵點檢測。

一種最常見的檢測算法是傳統的圖像差法，主要思想是用一幅無缺陷的模板圖像減去待檢測圖像。Li［39］和Sandy［40］用傳統的圖像差算法檢測蕾絲花邊的疵點，由于獲取的圖像含大量噪聲，且易發生變形，不能與模板圖像很好地匹配，所以檢測效果不佳。針對這一問題，Thomas［41］提出一種輪廓分析算法，通過計算圖像每行每列的均值來完成檢測。但實驗過程中的圖像都是人工模擬出來的，與真實紡織品表面的圖案有很大差別，并且該方法也只能檢測圖案相對簡單的織物。

之后，很多學者繼續提出改進的圖像差法檢測物體表面缺陷［42－43］，但由于圖像差法對噪聲極其敏感，且檢測圖像與模板圖像很難做到精確對準，因此，該類算法不能對有圖案的織物疵點做到很好的檢測。

大部分有圖案的織物疵點檢測算法融合時域和頻域算法的思想。布林線法（Bollinger Bands，BB）作為一種基于滑動均值和標準差的算法，最初用在股市上用來顯示股票趨勢。Ngan［44］運用一種全新視角，提出用布林線法對有圖案的織物表面疵點進行檢測，算法主要對直方圖均衡化后的圖像分別進行行和列運算，再通過閾值分割出有疵點的區域。以點形圖案為例，驗證了其算法有效性，并在實驗最后給出其它兩種圖案的檢測結果。之后，Ngan［45］又對布林線法作了改進，稱之為有序帶法（RB），主要利用規律分析進行缺陷檢測，RB法對BB法中的公式作了改進，由三個帶變成兩個帶的計算。改進后的RB算法相比于BB算法，能檢測出尺寸更小的疵點，且計算量小，總體性能更優。又有學者［46］對RB法做了進一步改進，融入了獨立成分分析的思想，提高了檢測效率。

5　結束語

回顧了當前織物表面疵點檢測的發展狀況，將算法類型根據檢測對象分為有圖案和無圖案的織物疵點檢測。傳統算法一般只能處理簡單紋理的無圖案織物，主要包括統計法、頻譜法和模型法，對這些算法的核心思想作了概括和比較，并分析其優缺點。對于有圖案的織物疵點檢測算法的研究較少，文中只列舉了兩類常見的算法。最后指出織物疵點檢測技術面臨的挑戰和未來的發展方向。

（1）檢測算法的性能受許多因素的影響，比如疵點和紋理的對比度、背景紋理的一致性、圖像的分辨率、疵點的大小和形狀、光照條件等。一個成熟的算法應全面考慮這些因素的影響，增強算法的穩定性。

（2）大部分的算法只對某種特定的紋理和圖案有實驗效果，卻不能很好地適用于其它的紋理和圖案。因此需要發展通用性強的檢測算法，能適用于更多類型的紋理和圖案。

（3）引用的文獻所使用的數據在大小和質量方面各異，因此在未來的研究中需要一個共同的參考數據庫，涵蓋各種不同紋理和不同圖案的織物圖像，從而才能評估算法的通用性和可靠性。

（4）只有少數的算法能達到實時性要求，提高算法運行速度和保證準確率是做到檢測實時性的兩個重要前提。在未來的研究中，應考慮將算法成功地運用到實時檢測系統。

［1］Ngan H Y T，Pang G K H，Yung N H C.Automated fabric defect detection－A review［J］.Image and Vision Computing，2011，29（7）：442－458.

［2］Sheng－Wang L，Li－Wei G，Chun－Hua L.Fabric defects detecting and rank scoring based on Fisher criterion discrimination［C］.Baoding：2009.

［3］祝雙武，郝重陽，李鵬陽，等.基于紋理結構分析的織物疵點檢測方法［J］.計算機應用，2008（3）：647－649.

Zhu S W，Hao C Y，Li P Y，et al，Fabric defect detection method based on texture structure analysis［J］.Journal of Computer Applications，2008（3）：647－649.

［4］Ben Salem Y，Nasri S.Texture classification of woven fabric based on a GLCM method and using multiclass support vector machine［C］.Djerba：2009.

［5］Selver M，Avsar V，Ozdemir H.Textural fabric defect detection using statistical texture transformations and gradient search［J］.Journal of The Textile Institute，2014，105（9）：998－1007.

［6］Kuo C J，Su T，Chang C.Intelligence control of on－line dynamic gray cloth inspecting machine system module design.II.Defects inspecting module design［J］.Fibers and Polymers.2008，9（6）：768－775.

［7］鄒超，朱德森，肖力.基于類別共生矩陣的紋理疵點檢測方法［J］.華中科技大學學報（自然科學版），2006（6）：25－28.Zou C，Zhu D S，Xiao L.Textural defect detection based on label co－occurrence matrix［J］.J.Huazhong University of Science and Technology（Nature Science Edition），2006（6）：25－28.

［8］鄒超，朱德森，肖力.基于模糊類別共生矩陣的紋理疵點檢測方法［J］.中國圖象圖形學報，2007（1）：92－97.Zou C，Zhu D S，Xiao L.Textural defect detection based on fuzzy label co－occurrence matrix［J］.Journal of Image and Graphics，2007（1）：92－97.

［9］Zhao S，Yu Q C.Application of mathematical morphology in the defects image processing of knitted fabric［C］.6th Textile Bioengineering and Informatics Symposium（TBIS 2013）.Hong Kong SAR：Textile Bioengineering and Informatics Symposium Proceedings，2013.

［10］Alimohamadi H，Ahmadyfard A，Shojaee E.Defect detection in textiles using morphological analysis of optimal Gabor wavelet filter response［C］.Bangkok：2009.

［11］Aziz M A，Haggag A S，Sayed M S.Fabric defect detection algorithm using morphological processing and DCT［C］.Sharjah：2013.

［12］Chandra J K，Banerjee P K，Datta A K.Neural network trained morphological processing for the detection of defects in woven fabric［J］.Journal of the Textile Institute.2010（8）：699－706.

［13］Celik H I，Dulger L C，Topalbekiroglu M.Fabric defect detection using linear filtering and morphological operations［J］.Indian Journal of Fiber＆Textile Research，2014，39（3）：254－259.

［14］Mak K L，Peng P，Lau H Y K.Optimal morphological filter design for fabric defect detection［C］.Hong Kong：2005.

［15］K.L.Mak，P P，K F.Fabric defect detection using morphological filters［J］.Image and Vision Computing，2009：1585－1592.

［16］Conci A，Proenca C B.A fractal image analysis system for fabric inspection based on a box－counting method［J］.Computer Networks and Isdn Systems.1998，30（20－21）：1887－1895.

［17］Bu H，Wang J，Huang X.Fabric defect detection based on multiple fractal features and support vector data description［J］.Engineering Applications of Artificial Intelligence，2009，22（2）：224－235.

［18］田承泰，步紅剛，汪軍，等.基于時間序列分形特征的織物瑕疵檢測［J］.紡織學報，2010（05）：44－47.Tian C T，Bu H G，Wang J，et al.Fabric defect detection based on fractal feature of time series［J］.Journal ofTextile Research，2010（5）：44－47.

［19］Rallo M，Millan M S，Escofet J.Referenceless segmentation of flaws in woven fabrics［J］.Applied Optics.2007，46（27）：6688－6699.

［20］Millan M S，Escofet J，Rallo M.Unsupervised flaw segmentation in textile materials under visible and NIR illumination［C］.Brussels：2010.

［21］Campbell J G，Murtagh F.Automatic visual inspection of woven textiles using a two－stage defect detector［J］.Optical Engineering，1998，37（9）：2536－2542.

［22］Qin Y L，Xu F L.Analysis and research of the fabric density based on the wavelet transform［C］.5th International Symposium on Computational Intelligence and Design（ISCID）.New York：International Symposium on Computational Intelligence and Design，IEEE，2012.

［23］Sari－Sarraf H，Goddard J S.Vision system for onloom fabric inspection［J］.IEEE Transactions on Industry Applications，1999，35（6）：1252－1259.

［24］盧亮，趙靜.基于小波變換和圖像最大熵的織物疵點檢測［J］.科學技術與工程，2011（22）：5446－5450.Lu L，Zhao J，Fabric Defect detection based on wavelet transform and the maximum entropy of images［J］.Science Technology and Engineering，2011（22）：5446－5450.

［25］Yang X Z，Pang G，Yung N.Discriminative fabric defect detection using adaptive wavelets［J］.Optical Engineering.2002，41（12）：3116－3126.

［26］魏煒.基于自適應雙正交小波的織物疵點邊緣檢測［J］.西安工程科技學院學報，2013（3）：369－374.Wei W.Edge detection of fabric defect based on an adaptive bi－orthogonal wavelet［J］.Journal of Xi＇an Polytechnic University，2013（3）：369－374.

［27］Mak K L，Peng P.Detecting defects in textile fabrics with optimal gabor filters［J］.Proceedings of World Academy of Science Engineering and Technology，2006（13）：75－80.

［28］Kumar A.Automated inspection of textured web materials using real Gabor functions［C］.2nd International Conference on Image and Graphics，Bellingham：Proceedings of the Society of Photo－Optical Instrumentation Engineers（SPIE），2002.

［29］Arivazhagan S，Ganesan L，Bama S.Fault segmentation in fabric images using Gabor wavelet transform［J］.Machine Vision and Applications，2006，16（6）：356－363.

［30］Hao L，Jiuqiang H.Defect detection in textiles using optimal gabor wavelet filter［C］.Dalian：2006.

［31］Y.Zhang Z L J L.Fabric defect detection and classification using gabor filters and gaussian mixture model［Z］.2010：635－644.

［32］OzdemirS，ErcilA.Markovrandomfieldsand Karhunen－Loeve transforms for defect inspection of textile products［C］.Kauai，HI：1996.

［33］Chan H Y，Raju C，Sari－Sarraf H，et al.A general approach to defect detection in textured materials using a wavelet domain model and level sets［C］.Wavelet Applications in Industrial Processing III.Boston：SPIE，2005.

［34］Hu G，Zhang G，Wang Q.Automated defect detection in textured materials using wavelet－domain hidden Markov models［J］.Optical Engineering，2014，53（9）.

［35］Bu H，Huang X B，Wang J.Detection of Fabric defects by auto－regressive spectral analysis and support vector data description［J］.Textile Research Journal，2010，80（7）：579－589.

［36］Serafim A F L.Multi resolution pyramids for segmentation of natural images based on autoregressive models：application to calf leather classification［C］.Kobe：1991.

［37］Hajimowlana S H，Muscedere R，Jullien G A，et al.1D autoregressive modeling for defect detection in web inspection systems［C］.Notre Dame，IN：1998.

［38］朱俊嶺.基于AR模型的機織物線狀疵點的檢測研究［D］.上海：東華大學，2012.Zhu J L，Woven fabric linear research of detection based on AR model［D］.Shanghai：Dong Hua University，2012.

［39］Li T，Witty P，King T.Machine vision in the inspection of patterned textile webs［C］.London：1997.

［40］Sanby C，Norton－Wayne L，Harwood R.The automated inspection of lace using machine vision［J］.Mechatronics，1995，5（2－3）：215－231.

［41］T.ThomasMC.Automaticinspectionofsimply patterned material in the textile industry［J］.Proc.SPIE.1994.

［42］Yazdi H R，King T G.Application of＇vision in the loop＇for inspection of lace fabric［J］.Real－Time Imaging，1998，4（5）：317－332.

［43］Li T，Witty P，King T.Machine vision in the inspection of patterned textile webs［C］.London：1997.

［44］Ngan H，Pang G.Novel method for patterned fabric inspection using Bollinger bands［J］.Optical Engineering，2006，45（0872028）.

［45］Ngan H Y T，Pang G K H.Regularity analysis for patterned texture inspection［J］.IEEE Transactions on Automation Science and Engineering，2009，6（1）：131－144.

［46］Ananthavaram R K R.Automatic defect detection of patterned fabric by using RB method and independent component analysis［J］.International Journal of Computer Application，2012.

Overview of Fabric Defect Detection Algorithms Based on Image Processing

Liu Xiaomin1，Liu Guogao1，Zong Guohua1，Zhang Zhuo1，Zhang Xuewu1，Liu Yuxing2
（1.College of Internet of Things Engineering，Hohai University，Changzhou 213022，China；2.Cenbird Electrombile Manufacturing Company，Changzhou 213118，China）

Fabric defect detection，widely used in the vision detection field，plays an essential role to ensure the quality of products in the textile manufacturing industry.At present，there are still a lot of problems in the detection methods.Such criteria as detection accuracy，versatility and instantaneity are utilized to assess and compare the detection algorithms in recent years，which can be broadly divided into pattern－based detection and non－pattern－based detection.Non－pattern－based approaches are conventional，while pattern－based approaches are relatively complex.The algorithms，including the statistical algorithm，spectral algorithm，model－based algorithm and pattern－based one，are presented to analyze its advantage and disadvantage，and make in－depth comparison between them.At last，a summary is made for the challenge on the detection technologies and the future research.

Fabric；Defect detection；Detection accuracy；Versatility；Instantaneity；Non－patternbased；Pattern－based

10.3969／j.issn.1002－2279.2016.01.010

TP391

A

1002－2279（2016）01－0037－06

?國家自然科學基金資助項目（61273170）；常州市科技支撐項目（CE20140008）

劉小敏（1991－），女，江蘇省南通市人，碩士研究生，主研方向：圖像處理。

2015－05－11