Daniel Yapi、Mohand Saïd Allili 以及 Nadia Baaziz 在 IEEE Transactions on Automation Science and Engineering 期刊上于 2018 年 7 月发表了一项关于自动化织物缺陷检测的研究。研究团队来自加拿大魁北克大学乌塔韦校区计算机科学与工程系。该研究提出了一种基于学习的自动化织物疵点检测方法，其核心在于利用冗余轮廓波变换（Redundant Contourlet Transform，RCT）的局部纹理分布进行统计建模，旨在解决纺织制造中自动化视觉检测和质量控制的难题。

在学术背景方面，织物缺陷检测一直是纺织工业中至关重要的一环，布料存在瑕疵可能导致高达45%至65%的价格损失。为提升生产效率和织物质量，用自动化检测取代耗时的人工检测成为必然趋势。现有的织物缺陷检测方法虽多，但大多局限于特定类型的织物，特别是针对简单的P1壁纸群（如平纹、斜纹等仅有平移对称性的织物）。对于包含旋转、反射等更复杂对称性的非P1群织物，传统方法的泛化能力有限。此外，许多已有方法仅在图像级别判断是否存在缺陷，无法精确提供缺陷在图案或基本单元层面的具体定位信息。为了克服这些局限性，本研究旨在开发一种能够应对多种织物类型、实现精准缺陷定位，并基于有监督学习实现完全自动化检测的普适性方法。该方法被归类为一种混合方法，它不直接分析基本图案单元，而是通过分析织物的纹理模式，将图像分解为基本重复单元（Elementary Repetitive Units，ERU），从而将对复杂织物的分析转化为类似于P1群织物的分析方法。

该研究的详细工作流程分为三个主要步骤。第一步是预处理与图像分解，目的是将织物图像划分为基本重复单元（ERU）。研究者利用自相关函数（Autocorrelation Function）分析织物图像的周期性，通过计算原始图像与其水平和垂直循环位移图像之间的相关性峰值，来确定重复图案的水平和垂直尺寸。为确保后续统计模型参数估计的可靠性，研究设定了一个最小单元尺寸（δ=64像素），从而计算出最优的ERU尺寸。一旦确定了ERU的大小，任何织物都可以被视为仅由平移变换构成的P1群结构，从而实现了分析方法的统一。为了方便精确的缺陷定位，图像在划分为块时可以采用重叠策略，这使得每个像素的分类标签可以通过多个包含它的块的投票来决定，从而将检测分辨率提升到亚ERU级别。

第二步是基于RCT-MoGG的统计特征提取与分类器训练。在这一步中，每个ERU块会先经过多尺度冗余轮廓波变换（RCT）分解。与标准轮廓波变换相比，RCT去除了下采样操作，产生了与原图等大的子带图像，能更好地描述织物的方向性和结构属性，并对噪声、光照不均、平移和尺度变化具有鲁棒性。由于RCT产生的系数分布常常是多模态的，研究采用有限混合广义高斯分布（Mixture of Generalized Gaussians，MoGG）来对其进行精确建模，得到每个织物块的统计特征（RCT-MoGG签名）。在比较两个块的签名相似度时，由于多模态分布间不存在闭式的Kullback-Leibler散度（KLD）解，研究者采用了蒙特卡洛采样方法对KLD进行近似计算，并以此作为相似性度量。在此基础上，系统进入一个有监督的学习阶段。训练集由有标签的缺陷块和无缺陷块组成。算法通过迭代的方式构建一个参考块集（R），该集合包含了一系列能够代表织物不同配置的标志性块。首先随机或策略性地选择一个参考块，计算所有训练块与其的KLD距离，得到一个距离集，然后在距离集上训练一个贝叶斯分类器（Bayes Classifier，BC）。之后，检查分类错误，特别是找出被误判为缺陷的无缺陷块（假阳性），从中选取一个块加入参考块集。对于后续迭代，每个训练块的新KLD定义为其与所有参考块间KLD的最小值。这个过程不断重复，直到分类错误为零或不再下降，最终输出一个强健的参考块集和一个训练好的贝叶斯分类器。

第三步是检测阶段。对于新输入的织物图像，首先将其按照训练阶段相同的尺寸分解为ERU块，并为每个块生成RCT-MoGG签名。然后，计算该块与参考块集中所有元素的KLD并取最小值，以此作为该块的特征输入到训练好的贝叶斯分类器中，分类器会最终判断该块是缺陷还是无缺陷。通过前述的块重叠投票机制，系统可以提供像素级精细度的缺陷定位图。

研究的主要结果在TILDA织物图像数据库上进行了性能评估，该数据库包含多种类型的布料，以P1群（如平纹、斜纹C2R2、平织C2R3）和非P1群（如条纹布C3R3、方格布C3R1）为代表。实验结果从图像级和局部级两个层面进行了定量分析。在图像级性能上，本研究提出的RCT-MoGG方法对P1群织物的检测率在90%到100%之间，检测准确率在91.2%到98%之间，均优于对比的独立分量分析（ICA）、局部二值模式（LBP）和坡度差分布（SDD）方法。在对非P1群织物的检测中，其检测率达到100%，而ICA方法则完全失效。尤其突出的是，该方法的误报率（False Alarm Rate）非常低，不论在P1群还是非P1群织物上都显著低于其他方法，这意味着它能很好地避免将无缺陷织物错误地判定为次品，这是工业应用中的一项关键能力。在局部级性能评估上，研究定义了局部精确率、局部召回率和局部准确率（Accl）来评价缺陷定位的精准度。结果显示，该方法在P1群织物上的局部准确率（Accl）为90.6%到98.3%，在非P1群织物上高达97.8%到99.2%，远远优于其他方法。例如，LBP方法虽然在某些情况下图像级检测率很高，但其局部准确率在复杂纹理上极低，说明其无法准确定位缺陷。这表明本方法不仅能判断图像好坏，更能精确地勾勒出缺陷的位置和轮廓。

本研究的结论是，所提出的基于学习的检测算法能够成功检测并定位多数织物群中的缺陷。其核心优势在于利用RCT-MoGG签名在有监督分类框架下，实现了对无缺陷和缺陷织物的有效区分。实验证明，该方法在P1群的多种织物以及非P1群的条纹和方格织物上，均取得了高检测率和极低的误报率，整体性能优于现有的先进方法。这项研究的科学价值在于，它创新性地引入了基本重复单元（ERU）的概念，将复杂的非P1群织物检测问题巧妙地转化为方法更成熟的P1群分析问题，提供了一种新颖的混合式解决思路。同时，将RCT的多尺度多方向表征能力与MoGG对复杂分布的精确建模能力相结合，首次为织物缺陷检测构建了鲁棒且判别力极强的统计纹理特征。在应用价值方面，该方法不仅检测精度高，而且其基于块的检测流程可轻松通过硬件实现并行化，从而适配实时检测场景。它对光照不均和噪声的鲁棒性，以及对织物平移和尺度变化的恒定性，使其非常适用于复杂的工业检测现场，为提升纺织自动化质量控制的效能和覆盖面提供了强有力的技术方案。研究的亮点在于其方法的普适性——能处理从均质到复杂图案的几乎所有织物类型；在于其精细的缺陷定位能力，而不仅仅是图像级判断；也在于其极低的误报率，这对于工业生产至关重要。