类型a
基于自回归（AR）模型的机织物线状疵点检测方法研究报告
一、 研究概述
本研究报告基于朱俊岭、汪军、张孝南、李立轻、陈霞、庞明军等学者于2012年8月在《纺织学报》（Journal of Textile Research）第33卷第8期上发表的研究论文《基于AR模型的机织物线状疵点研究》。该研究主要由东华大学纺织学院、东华大学纺织面料技术教育部重点实验室以及中国纺织科学研究院江南分院共同完成。研究针对机织物线状疵点自动检测效果不佳的难题，提出了一种基于自回归模型谱估计的改进方法，并通过实验验证了其有效性。
二、 研究背景与目的
随着计算机技术和图像处理技术的发展，基于计算机视觉的纺织品表观质量检测，特别是织物疵点自动检测，已成为纺织工业领域的研究热点。然而，相较于外观形状和尺寸较大的疵点，对线状疵点的检测研究相对较少。根据作者前期研究，织物疵点按外观形状可分为四类：线状疵点（如断经、缺纬、双纬等）、大面积带状疵点（如沉纱、稀密路等）、块状疵点（如油污、破洞等）以及其他复合类疵点。线状疵点因其细长的形态，有些连续有些间断，在图像中特征不明显，传统的自动检测算法效果不理想。
此前，步红刚等人提出了一种基于时间序列的图像处理方法，通过对织物图像的灰度投影序列进行自回归谱分析，提取最高谱峰位置和峰值作为特征来区分正常纹理与疵点。该方法对大面积带状疵点检测效果较好，但对线状疵点的检测效果不明显。为解决这一问题，本研究旨在改进特征提取方法，利用线状疵点在局部区域内引起灰度值变化剧烈这一特点，采用灰度值方差序列代替传统的平均值序列进行自回归谱估计，从而增强疵点特征，提高线状疵点的检测准确率。
三、 详细研究流程
本研究的方法流程主要分为四个关键步骤：图像分割与预处理、方差投影序列的构建、自回归模型谱估计以及基于相关系数的疵点判别与定位。
1. 图像分割 研究中，将在同等拍摄条件下获取的织物图像分为两类：一类为含有疵点的待测样本，另一类为无疵点的正常纹理模板。所有图像均按照相同的子窗口大小进行分割，形成一个子窗口矩阵。该矩阵被标记为L(i, j)，其中包含8行8列共64个子窗口。这种标准化分割是后续所有图像分析操作的基础。
2. 方差投影序列的构建 此步骤是本研究的核心创新点。与传统方法对子窗口内灰度值求取平均值序列不同，本研究利用织物纹理的周期性和取向性，对每个子窗口内的像素灰度值分别沿纵向（经向）和横向（纬向）计算其方差。具体操作是：首先计算每个子窗口内所有列像素的灰度值方差，得到一个行向量，即纵向方差序列；然后计算每个子窗口内所有行像素的灰度值方差，得到一个列向量，并将其转置为行向量，即横向方差序列。 采用方差而非平均值的原因在于，当线状疵点存在时，疵点位置的像素灰度值会出现剧烈波动。若进行平均值投影，异常像素值会被周围大量的正常像素值“平均”掉，导致疵点特征被“淹没”，表现不突出。而方差对数据的离散程度非常敏感，疵点处的灰度值剧烈变化会直接导致该处的方差值显著增大，远高于正常纹理的方差值，从而使疵点特征被“放大”，更利于后续分析。
3. 自回归模型谱估计与Burg算法 在获得两个方向的方差序列后，本研究采用自回归（Auto-Regressive，AR）模型对其进行谱估计，以提取频域特征。AR模型将离散随机过程x(n)视为其过去s个时刻的值与一个白噪声激励的线性组合，其数学表达式为： x(n) = -∑_{k=1}^{s} a_i x(n - k) + u(n) 通过求解模型系数a_i和白噪声方差σ²_s，即可得到该序列的功率谱密度（Power Spectral Density）： Px(ω) = σ²s / |1 + ∑{k=1}^{s} a_i e^{-jωk}|²
在AR模型参数的求解算法上，研究选用了Burg算法。Burg算法是一种被广泛认可的、适用于短数据记录的AR谱估计方法。它通过使前、后向预测误差的平均功率最小化来计算反射系数，并结合Levinson-Durbin递推算法，从低阶到高阶依次求出各阶AR模型的参数。
在模型阶数的选择上，本研究进行了细致的考量。阶数是AR谱估计的关键参数。阶数过低，谱曲线过于平滑，无法反映图像的足够信息；阶数过高，谱曲线波动剧烈，会引入过多的细节噪声。参考步红刚的前期研究（认为3至6阶是最佳选择范围）以及本研究中方差序列的长度（约25至35个数据点），最终选择了4阶AR模型。该阶数下的谱估计能够获得一个稳定且具有周期性的谱峰，既能表达织物的主要纹理信息，又能有效避免非织物因素的干扰。
4. 疵点判别与定位 完成谱估计后，需要量化待测样本与正常模板之间的匹配度。为此，研究引入皮尔逊相关系数r作为衡量指标。对于待测图像的每一个子窗口，将计算得到的功率谱密度序列x_i与正常模板对应方向的功率谱密度序列y_i代入相关系数r公式进行计算。 通过大量实验分析，正常织物纹理的相关系数r通常在0.85至0.98之间。相关系数r越低，表明待测子窗口与正常纹理的差异越大，存在疵点的可能性越高。研究设定了一个相关系数临界值（本文选定为r = 0.9），当某个子窗口的相关系数低于该临界值时，即判定该窗口含有疵点。同时，为实现检测的自动化，研究中在MATLAB编程中实现了检测与标记同步进行，一旦检测到疵点窗口，程序便会用矩形框在原图像上的对应位置将其框出。对于不同取向的疵点，判别时有针对性地选择特征值：对于经向疵点（如双经）使用纵向方差序列得到的相关系数r1；对于纬向疵点（如粗纬）则使用横向方差序列得到的相关系数r2。
四、 主要研究结果
为验证所提方法的有效性，研究以平纹组织的双经疵点为例进行了详细展示，并对平纹和斜纹织物的多种线状疵点进行了大规模样本测试，同时与传统平均值序列方法进行了对比。
以图1所示平纹双经疵点为例，其属于经向疵点，因此采用r1进行检测。检测结果显示，原图被准确地标记了包含疵点的子窗口。通过查看对应的相关系数矩阵表（表1），可以清晰地看到，第2列全部子窗口以及第7行第3个子窗口的相关系数值均低于0.9的阈值，被正确地识别为异常。这一定量数据有力地证实了方法的检测能力。
为了进一步凸显方差序列的优越性，研究对比了同种疵点在同一条件下分别使用方差序列和平均值序列进行AR谱估计的检测效果。在图2（平纹粗纬疵点）的对比中，使用方差序列的检测效果图准确地圈定了疵点区域，而使用平均值序列的效果图则存在大量的漏检，多个疵点窗口未被识别。在图3（斜纹缺纬疵点）的对比中，平均值序列方法导致多处正常纹理被错误地标记为疵点，即存在较高的误检率，而方差序列方法的检测结果则更为准确。
为进一步检验方法的普适性和稳定性，研究对包括经纬向、平纹和斜纹组织在内的共1920个不同样本进行了测试。统计结果（表2、表3）定量地揭示了两种方法的性能差异。对于纬向疵点（如缺纬、双纬、粗纬等），方差序列方法的误检率在3.57%至8.45%之间，漏检率在2.45%至7.19%之间；而平均值序列方法的误检率高达6.59%至16.84%，漏检率更是高达10.29%至32.87%。对于经向疵点（如断经、双经、粗经等），方差序列方法的误检率在2.84%至6.97%之间，漏检率在5.67%至10.78%之间；相比之下，平均值序列方法的误检率为5.36%至14.85%，漏检率则在3.71%至21.46%之间。这些数据结果表明，无论是对于经向还是纬向的线状疵点，方差序列方法的误检率和漏检率均显著低于传统的平均值序列方法。
五、 研究结论与价值
本研究得出明确结论：利用灰度值方差序列进行AR谱估计，是一种检测机织物线状疵点的优越且有效的方法。其科学价值在于，揭示了方差这一统计量在捕捉织物细微纹理异常方面的敏感性，相对于传统的平均值投影，它能更有效地区分疵点信息与正常纹理，为解决线状疵点这类微弱信号的检测问题提供了新的思路和理论依据。从应用价值看，该方法通过较低的误检率和漏检率，显著提升了机织物线状疵点自动检测的精度，对推动纺织工业质量控制的自动化、智能化具有重要的现实意义。实验同时对平纹和斜纹两种组织进行验证，表明了该特征提取方法具有良好的适应性。
六、 研究亮点
此外，研究也指出了方法的局限性，即检测效果对拍摄环境和织物所受张力等外界条件要求较高，需要进一步改善以提升其鲁棒性，这也为后续研究指明了方向。