主要作者及发表信息
该研究由防灾科技学院智能信息处理研究所的刘海军、单维锋、袁静、李忠共同完成，于2018年1月发表在中文核心期刊《毛纺科技》（Wool Textile Journal）第46卷第1期。
研究背景与目的
本研究属于纺织工业自动化与计算机视觉的交叉领域，其核心科学问题是模式识别中的特征提取与分类。背景在于，本色布（grey fabric）的疵点检测是纺织生产质量控制中的关键一环，但长期依赖人工目视完成。人工检测受主观因素（如疲劳、注意力）影响，漏检率和误检率均居高不下，因此，应用机器视觉技术实现精确、快速的自动化疵点检测成为亟待解决的问题。在机器视觉检测中，最关键的环节是疵点的特征提取，即如何将图像转化为能有效区分疵点与正常纹理的数值特征向量。现有方法各有局限，如基于全局特征的方法（如形态学滤波、灰度共生矩阵）对小尺寸疵点不敏感，而基于局部特征的方法（如Gabor滤波器、小波变换）易受噪声干扰，因此需要探索更有效的特征。本研究旨在引入并验证一种在目标识别领域已成功应用但在纺织品疵点检测领域尚未见报道的特征——梯度方向直方图（Histogram of Oriented Gradient, HOG），用于本色布疵点检测，并探索其在平纹布样本上的检测效果。
详细研究流程
本研究的工作流程主要分为特征提取与分类识别两大阶段，并在一个包含1252幅图像的真实数据集上进行了训练和测试。
第一阶段：基于梯度方向直方图（HOG）的特征提取 此阶段是整个研究的核心，旨在将每一幅本色布图像转换为一个定长的高维特征向量。处理步骤如下： 1. 研究对象与预处理：研究对象为工业现场采集的平纹本色布图像，经分割、灰度化和中值滤波预处理后，统一尺寸为256像素×256像素。 2. 计算图像梯度：首先，将预处理后的灰度图像与一组正交的梯度模板进行卷积运算。本研究设计了四种正交梯度模板方案（a、b、c、d）和一个e方案，用于计算图像的水平方向梯度fx和垂直方向梯度fy。然后，利用公式(3)和(4)分别计算每个像素点的梯度模（幅值）和梯度方向（角度）。 3. 分块统计方向直方图：这一步是关键创新点，用以保留疵点的空间位置信息。研究者指出，疵点仅占据图像的一小部分，若对整幅图像简单统计梯度，则疵点区域的梯度变化会被大量的正常纹理所淹没。因此，将整幅图像在水平和垂直方向上刚性分割成m×n个互不重叠的小块（patches）。在每个小块内部，将0-180度（或0-360度）的梯度方向离散化为k个区间（bins）。然后，遍历小块内的所有像素，将其梯度方向对应区间的梯度模值累加，从而为每个小块构建一个k维的梯度方向直方图。 4. 构建最终特征向量：将一幅图像内所有m×n个小块的直方图按顺序连接起来，形成一个维度为k×m×n的一维向量，该向量即为原始图像的HOG特征表示。整个过程高度简化了传统行人检测中HOG的预处理步骤，仅保留了核心的梯度方向直方图构建部分。
第二阶段：分类器训练与测试 此阶段旨在评估所提取特征的辨别能力。 1. 数据集划分：实验数据集共包含1252幅图像，其中训练图像457幅，测试图像795幅。样本分为“正常”、“经向疵点”、“纬向疵点”和“块状疵点”四类，具体分布见表3。 2. 分类器与距离度量选择：本研究采用无需训练过程的最近邻（Nearest Neighbor, NN）分类器。在判断测试样本与哪个训练样本最相似时，选用了卡方距离（Chi-Square Distance）作为相似性度量，因为它自带规范化功能，能有效处理直方图特征。 3. 参数优化实验：为获得最佳检测性能，研究对三个关键参数进行了实验对比： * 梯度模板方案：比较了5种不同的模板（a, b, c, d, e）对分类准确率的影响。 * 分块参数（m, n）：探索了将图像分割成2×2, 4×4, 6×6, 8×8等不同数量小块的效果。 * 角度离散化参数（k）：测试了k值在5到16之间变化时的分类效果。
主要研究结果
实验结果系统地揭示了各参数对检测性能的影响，并最终验证了HOG特征的有效性。 1. 参数优化结果：实验表明，当图像分割为4×8个小块（即m=4, n=8，小块尺寸为64像素×32像素），且角度离散化为12个区间（k=12）时，分类准确率达到最优。此时，一幅图像的特征向量维度为12×4×8=384维。 2. 不同梯度模板的检测性能：在最优分块和角度参数下，五种梯度模板方案的分类准确率如表4所示。其中，b方案（模板为tx = [-1, 1]; ty = [-1; 1]）表现最佳，在区分四类目标的细粒度分类任务中，准确率达到94.7%。模板a、c、d、e的准确率分别为92.70%、91.07%、91.07%和92.20%。 3. 细粒度分类的错误分析：采用b方案时的详细分辨矩阵（表5）揭示了错误分类的模式。例如，有14个“纬向疵点”样本被错误识别为“块状疵点”。研究者分析认为，这是因为当较大的纬向疵点充满了一个或多个较小的分块时，其局部梯度方向直方图特征与块状疵点的特征变得难以区分。 4. 二分类（正常/疵点）的最终检测性能： 若忽略疵点的具体类别，仅执行“正常织物”与“有疵点织物”的二分类，那么系统性能将得到显著提升。此时，分辨矩阵（表6）显示，189个正常样本中仅有14个被误判为疵点，而581个疵点样本中仅有11个被误判为正常。据此计算，其分类准确率高达96.85%。这一结果直接证明了HOG特征能够有效识别出本色布图像中的疵点。
研究结论与意义
本研究的结论是，基于梯度方向直方图的特征提取算法能有效、精确地检测出本色布疵点。其科学价值在于，首次将计算机视觉领域成熟的HOG特征引入并成功应用到纺织品疵点检测这一特定工业场景中，为后续研究开辟了新思路。该方法巧妙地结合了图像的梯度方向信息（描述疵点具有方向性的视觉差异）和图像分块统计策略（保留疵点的空间位置信息），有效解决了全局特征对小疵点不敏感和简单统计会淹没局部变化的问题。在应用价值上，高达96.85%的二分类准确率证明了该方法在本色布自动化质检线上的巨大潜力，有望替代效率低、误差大的人工检测，对于提升纺织行业的生产效率和产品质量具有重要意义。
研究亮点