1、在紡織品生產(chǎn)中，織物的質(zhì)量控制是一項(xiàng)極其重要的工序，在此工序中一般要完成以下兩項(xiàng)任務(wù)：第一，根據(jù)檢測(cè)的結(jié)果確定織物的品質(zhì)等級(jí)；第二，監(jiān)視紡織設(shè)備的運(yùn)行狀況?？椢锎命c(diǎn)的檢測(cè)是織物質(zhì)量控制的核心內(nèi)容之一。在現(xiàn)代工業(yè)技術(shù)的推動(dòng)下，紡織技術(shù)得到了長(zhǎng)足的發(fā)展，生產(chǎn)效率由1965 年的70 米每人每小時(shí)增加到1995 年的520 米每人每小時(shí)。但與其形成鮮明對(duì)比的是，織物疵點(diǎn)的檢測(cè)卻依然停留在人工檢測(cè)的方式上。該方法存在著檢測(cè)速度低（僅有480 米

2、每人每小時(shí)），誤檢率和漏檢率高、檢驗(yàn)結(jié)果受人員主觀因素影響大等缺點(diǎn)?；谝陨显?，織物疵點(diǎn)的自動(dòng)檢測(cè)問題是近年來國內(nèi)外學(xué)者共同關(guān)注和研究的熱門課題之一。論文中詳細(xì)分析了基于Gabor 濾波器和基于PCNN 模型兩種織物疵點(diǎn)檢測(cè)算法的理論基礎(chǔ)，檢測(cè)原理和算法諸參數(shù)的優(yōu)化設(shè)計(jì)等問題，并通過對(duì)實(shí)驗(yàn)結(jié)果的分析和比較得到了最終的結(jié)論。論文的主要內(nèi)容如下： 1 ．詳細(xì)分析了Gabor 函數(shù)在時(shí)-頻域中對(duì)紋理圖像頻率和方向的選擇特性，分析了P

3、CNN 神經(jīng)元的行為特征，以及PCNN 模型對(duì)灰度圖像多閾值分割的特點(diǎn)。并在此基礎(chǔ)上提出了這兩種檢測(cè)算法的基本框架； 2 ．為了得到最理想的檢測(cè)結(jié)果，結(jié)合紋理圖像半監(jiān)督分割問題的特點(diǎn)，分別建立了基于正常紋理匹配的Gabor 濾波器、基于缺陷紋理匹配的Gabor 濾波器和基于PCNN模型三種檢測(cè)算法的最優(yōu)化參數(shù)設(shè)計(jì)模型； 3 ．針對(duì)正常織物圖像的Gabor 濾波器響應(yīng)值的分布特點(diǎn)，采用極大似然估計(jì)的方法建立了其概率分布估計(jì)

4、模型，并以得到的估計(jì)結(jié)果來確定區(qū)分織物圖像中正?？椢锖腿毕菘椢锏姆指铋撝?； 4 ．在疵點(diǎn)圖像的Gabor 濾波器響應(yīng)值中存在著一系列的極值點(diǎn)，這些極值點(diǎn)勾勒出了疵點(diǎn)的外形骨架。在此基礎(chǔ)上建立了一種基于Gabor 濾波器的織物疵點(diǎn)外形特征的提取方法； 5 ．在綜合分析了以上幾種優(yōu)化設(shè)計(jì)模型特點(diǎn)的基礎(chǔ)上，建立了以遺傳算法為基礎(chǔ)的優(yōu)化模型求解方法； 6 ．詳細(xì)介紹了實(shí)驗(yàn)室中所使用的織物疵點(diǎn)自動(dòng)檢測(cè)裝置，并以簾子布為檢測(cè)