1. 研究概况与基本信息
本篇研究报告介绍的是一项发表于中文核心期刊《计算机测量与控制》的原创性研究。该研究论文发表于2020年第28卷第6期，主要作者为王竹毅、赵晓军和杨梦，他们均来自河北大学电子信息工程学院（位于河北省保定市）。论文的收稿日期为2019年11月21日，修回日期为2019年12月10日。该研究受到河北省教育厅项目的资助。本研究旨在解决纺织工业中毛巾织物疵点自动检测的难题，提出了一种基于频域分析（Frequency Domain Analysis）的新算法，并在仿真实验中取得了95%的平均识别率。
2. 研究背景与目标
在现代纺织品生产中，传统的人工疵点检测存在严重弊端。检测工作反复、枯燥，需要检验员长时间保持高度集中的精力，这不可避免地会导致因视觉疲劳而产生的纰漏和效率下降，成为生产流程中的瓶颈。因此，将图像处理技术应用于织物疵点检测，实现自动化，是工业技术发展的必然趋势。在自动疵点检测系统中，可靠且高效的特征提取（Feature Extraction）算法是核心环节。目前主流的特征提取方法分为两大类：空域特征提取（如灰度共生矩阵GLCM、统计建模等方法）和变换域特征提取（如傅里叶变换Fourier Transform、小波变换Wavelet Transform和Gabor滤波等）。然而，现有的研究大多集中于结构相对规整的机织布，对于表面结构更为复杂的毛巾织物的疵点检测研究尚属空白。毛巾织物表面由无数蓬松柔软的毛圈（Pile Loop）构成，这种独特的结构使其表面纹理极易发生形变，给疵点检测带来了巨大挑战。通过分析，研究者发现毛巾织物的主要疵点，如断经、断纬、拉毛、毛圈不齐、毛边等，最终都体现为毛圈轮廓特征的异常变化。基于这一核心洞察，本研究旨在开发一种针对毛巾织物特点的、基于频域分析的疵点检测算法，实现对纯色毛巾织物的高效、准确检测。
3. 研究流程与详细方法
本研究提出了一套系统性的五步检测流程，如图1所示，包括颜色空间转换、毛圈轮廓特征检测、快速傅里叶变换（FFT）、频谱特征提取和支持向量机（SVM）分类。
第一步：颜色空间转换与毛圈轮廓特征检测 这是本研究的第一个关键创新点。由于毛巾疵点主要体现在毛圈上，算法首先需要从图像中精准地提取毛圈轮廓信息。研究没有直接在红绿蓝（RGB）颜色空间操作，而是将图像转换到CIE Lab颜色空间。该空间将亮度（L分量）与颜色信息（a和b分量）分离，更有利于进行基于颜色和纹理的分析。为了消除噪声，研究者对L、a、b三个分量分别使用5×5的高斯滤波器（Gaussian Filter）进行平滑预处理。随后，为了突出毛圈区域，算法计算了每个分量与其自身图像均值的绝对差值，生成对比度图像。最后，依据“毛圈轮廓具有标准差较大和信息熵较小”的统计特征，通过加权融合（权值分别为0.6和0.4）和基于最大类间方差法（Otsu’s Method）的自动阈值处理及反相操作，最终得到清晰的毛圈轮廓特征图。图4和图5的对比清晰地展示了无疵点和有疵点毛巾图像的毛圈轮廓特征差异。
第二步：傅里叶变换与频谱分析 获取毛圈轮廓特征图后，算法对其应用二维离散傅里叶变换（如公式1、2所示），将图像从空间域转换到频率域。与具有明显周期性纹理的传统机织布不同，毛巾织物的频谱没有显著的周期峰值，因此不能沿用传统的峰值检测方法。本研究采用极坐标系统来描述频谱能量分布，定义了沿半径方向r的能量分布函数b®和沿角度方向θ的能量分布函数b(θ)（如公式3、4所示）。通过对比无疵点（图4）和有疵点（图5）样本的b®和b(θ)曲线，研究者发现了关键区别：正常毛圈的频谱能量在特定角度（如约70度）具有明显的最大峰值和次峰值，表现出较强的方向性；而有疵点的毛圈特征图像，其频谱能量分布的方向性则不明显，最大值可能出现在其他角度（如180度附近）。
第三步：频域特征向量构建 基于上述频谱能量分布差异，本研究设计了精细的特征提取方案。在半径方向上，将整个频谱区域划分为低频、中频、高频三个环形区域，并计算每个区域的归一化能量。在角度方向上，为了捕捉主能量方向，将频谱（0-360度）按45度等间隔切分为8个扇形区域，计算每个区域的归一化能量。这些从不同半径和不同角度的频谱区域内提取的归一化能量值，共同组成了一个用于描述毛巾图像疵点特性的特征向量（Feature Vector），该向量是后续分类识别的唯一依据。
第四步：SVM分类识别与实验验证 研究的最终环节是使用支持向量机（SVM）对提取的特征向量进行二分类，即判断图像是“有疵点”还是“无疵点”。研究团队构建了一个包含200张图像（100张无疵点，100张有疵点，尺寸均为256×256像素）的样本库。其中，100张（每类50张）作为训练集，用于训练SVM分类器；其余100张作为独立的测试集，用于评估模型性能。SVM采用径向基函数（RBF）作为核函数，实验选定的关键参数伽马为10，惩罚参数C为5。最终的分类特征向量由低频、中频、高频能量值、四个主方向能量值及这四个方向能量的标准差组成。论文的表1和表2分别给出了9个无疵点样本和9个有疵点样本的特征向量数据，直观地展示了这两类样本在频谱能量分布上的数值差异。
4. 研究结果与数据分析
仿真结果表明，该方法能够有效地区分纯色毛巾织物的有无疵点。通过对测试集100个样本的测试，系统对有疵点样本的正确识别率约为98%，对无疵点样本的正确识别率约为92%，最终平均正确识别率达到了95%，达到了系统的设计要求。这一结果量化地证明了所提出的频域能量特征提取方法的有效性。具体分析特征向量数据（表1和表2）可以看出，无疵点样本的四个方向上的能量分布差异更大（标准差stdθ较大），而有疵点样本的方向能量分布则相对均匀（标准差较小）。这正好印证了前文的理论分析：正常的毛圈纹理具有特定的编织方向，从而在频域中产生方向性的能量集中；而疵点的出现破坏了这种规律的纹理结构，导致能量在各个方向上趋于平均。这一逻辑链条——从织物结构特性到图像特征提取，再到频域能量分布分析，最后通过分类器验证——结构严谨，论证清晰。
5. 研究结论与价值
本研究成功开发并验证了一种针对纯色毛巾织物的疵点检测新方法。其科学价值在于，首次将频域能量谱的方向统计特性应用于毛巾这种非周期性纹理织物的疵点检测，为纺织品的自动化视觉检测提供了新的思路。其应用价值在于，算法在MATLAB（矩阵实验室）仿真环境下达到了95%的识别率，证明了其工业应用的巨大潜力，有望替代人工检测，提高生产效率和产品质量控制的稳定性。论文最终指出，该频域能量特征提取方法对于纯色毛巾织物而言“简单有效”。
6. 研究亮点与未来方向
本研究的亮点在于其新颖性和针对性。首先，它填补了毛巾织物自动疵点检测的研究空白，其研究对象——表面具有蓬松毛圈的毛巾——本身就是一个特色，区别于大量研究集中于机织布的情况。其次，其核心创新在于发现了有疵点和无疵点毛圈纹理在频谱能量方向分布上的显著差异，并据此设计了一套基于半径和角度双维度能量统计的特征提取方案，这是一种精巧的、基于问题物理本质的方法。
同时，论文也客观地指出了研究的局限性，并明确了未来的研究方向：第一，角度切分策略（研究中固定为45度）需要进一步研究其最优原则，以实现更精确的特征提取；第二，当前研究只针对纯色毛巾，对于有复杂图案的毛巾织物，需要先引入颜色分割和图像拼接等预处理步骤，这将是后续研究的重点。