作者： 任欣宇， 朱胜立， 朱 良， 韩婉莹， 肖伟长， 岳万里， 邵伟力 机构： 中原工学院 纺织服装产业研究院， 河南 郑州 451191 发表信息： 《上海纺织科技》 (shanghai textile science & technology)， 2026年3月， 第54卷， 第3期
本文是一篇综述性论文，系统回顾了基于机器视觉的无纺布疵点检测技术的研究进展。文章旨在解决传统人工检测效率低、精度不足的问题，从而提升无纺布质量控制的自动化水平。全文围绕检测系统的构成、各类疵点检测算法的原理与局限性，以及未来的发展方向进行了深入探讨。
论文首先揭示了该领域研究的行业背景与核心痛点。无纺布因其质轻、工艺简便、成本低廉等优势应用广泛，但在生产过程中不可避免地会产生孔洞、油污、褶皱等疵点，严重影响产品质量。传统的人工视觉检测方式虽直观，但高度依赖人眼，效率低下且易受主观因素干扰，难以满足现代高速生产对检测精度和一致性的要求。因此，引入计算机视觉技术，特别是基于机器视觉的自动化检测系统，已成为业界高度关注的研究热点。
论文主体部分系统地介绍了一种典型的基于机器视觉的无纺布疵点检测系统架构，并详细分类阐述了当前主流的图像处理与疵点提取算法。一个完备的检测系统通常由四个核心部件构成：图像采集系统、图像处理系统、图像分析系统以及疵点标注装置。其中，图像采集系统是整个流程的基础，它结合了高分辨率摄像技术和均匀分布的高亮度LED光源，在生产线上实时捕获无纺布表面的高清晰度图像，为后续分析提供可靠的数据保障。而图像处理系统则是检测流程的核心，它负责接收图像数据并应用各类算法进行深入分析。
在疵点检测的核心算法部分，论文将现有技术归纳为五大类，并逐一分析了其原理、优势及局限性。
第一类是基于结构（Structure-based）的检测方法。该方法通过分析织物图像的基本纹理模式来获取结构性特征，其流程通常分为纹理分割与疵点辨识两步。例如，有研究通过分离缺陷区域与正常区域的纹理结构差异来提供缺陷信息。然而，结构法的局限性在于它对纹理的规则性要求较高，当织物因纱线错位或受力不匀导致纹理变形，无法保持稳定的基础纹理结构时，该方法的检测误差会显著增大。为克服此问题，有研究者提出基于纹理表征的疵点检测方法，在降低图像噪声干扰的同时，能够恢复无瑕疵的织物纹理图像。
第二类是基于模型（Model-based）的检测方法。这类方法建立在特定的数学或统计模型之上，如分形模型、马尔科夫随机场模型和自回归模型等，旨在系统地分析织物图像数据。这些模型能够捕捉织物纹理的自相似性和空间分布等关键特性。例如，有学者应用Gumbel分布模型（Gumbel distribution model）来构建无缺陷背景纹理的像素值分布，开发了一种无需监督（unsupervised）的检测方法。但此方法的劣势在于识别微小缺陷时效率不高且计算成本较大。为弥补不足，将织物纹理建模与小波变换技术相结合的策略已被证明可以在一定程度上提升检测准确度。
第三类是基于统计（Statistics-based）的方法，该方法通过从图像中提取和分析统计信息来揭示纹理特征。论文重点介绍了两种关键技术：灰度共生矩阵（Gray Level Co-occurrence Matrix， GLCM）和直方图统计法。灰度共生矩阵通过统计图像中特定方向和距离上像素灰度值对的出现频率，来捕捉纹理的空间分布特征。有研究将其与自适应中值滤波结合，虽有效果但计算量大。为此，有研究者提出仅选取能量高、对比度低的图像进行快速检测，但存在漏检风险。另一项研究则通过对比不同图像预处理技术，增强了瑕疵与背景的区分度，从而精确捕获纹理特征。关于直方图统计法，论文引述了融合方向梯度直方图（Histogram of Oriented Gradient， HOG）特征与支持向量机（Support Vector Machine， SVM）的检测方案，以及将HOG与低秩分解相结合的创新算法，后者在应对纹理复杂的织物时展现出卓越的检测能力。
第四类是基于频谱（Spectrum-based）的分析方法。此类方法利用傅里叶变换（Fourier Transform， FT）或小波变换（Wavelet Transform， WT）等数学工具，将图像从空间域转换到频率域进行分析。例如，有研究运用快速傅里叶变换（Fast Fourier Transform， FFT）与互相关技术成功提取了静态疵点图像的关键信息。另有研究结合傅里叶分析和小波收缩技术，在没有参考图像的情况下实现了对瑕疵图像的分类。
第五类是基于学习（Learning-based）的方法，这也是当前研究的重点和前沿方向。论文首先提及字典学习（Dictionary Learning），该方法用稀疏编码表示新的织物图像，通过设定重构误差的阈值来识别和定位疵点。有研究以离散余弦变换（Discrete Cosine Transform， DCT）为基础构建初始字典，以提高计算速度和结果稳定性；另有研究结合多尺度字典学习来改进机器学习模型的性能。但此方法的检测精度高度依赖所选字典，可能导致较高的误报率。
在学习方法中，深度学习（Deep Learning）技术因性能表现尤为突出而被重点阐述。论文详细介绍了两种主流的深度神经网络：递归神经网络（Recurrent Neural Network， RNN）和卷积神经网络（Convolutional Neural Network， CNN）。递归神经网络因其处理序列数据的能力而受到关注，有研究利用长短期记忆（Long Short-Term Memory， LSTM）技术对织物缺陷百分比进行分类，解决了缺陷在复杂纹理背景下不易发现和易混淆的难题。而卷积神经网络则是当前应用最广的架构。研究人员并未直接使用原始图像，而是依据织物周期性特征将其划分为区块（patches）作为深度卷积神经网络（Deep Convolutional Neural Network， DCNN）的训练单元。为提升效率，有研究开发了精简版的卷积神经网络，通过多尺度分析、滤波器分解和参数优化，实现了在保持高准确度的同时减少计算负担。此外，有算法整合了图像预处理、纹理识别和CNN多项技术；有研究基于LeNet-5架构的网络模型，在具有挑战性的数据集上达到了平均97.31%的准确率；还有研究采用了基于AlexNet架构的多尺度卷积神经网络，对多种机织物材料缺陷进行分类，平均准确率高达96.55%。
最后，论文给出了明确的结论和未来展望。研究表明，机器视觉技术能够显著提高无纺布疵点检测的准确性和效率，其中深度学习方法在识别复杂纹理和多样化疵点时表现尤为突出。然而，当前该领域仍面临两大关键挑战：一是公开可用的高质量数据集严重不足，限制了模型的训练和泛化能力；二是深度学习算法对计算资源的消耗巨大，增加了工业部署的成本。面对这些难题，论文提出了三个重要的发展方向：建立广泛且公开的数据集、优化算法效率以平衡性能与资源消耗，以及融合多种技术的复合检测方法，这将是增强无纺布缺陷检测系统鲁棒性的有效策略。
本篇综述的价值在于，它不仅为研究人员提供了关于无纺布疵点检测技术的全面知识图谱，系统梳理了从传统统计法、频谱法到前沿深度学习的完整技术演进脉络，并清晰地指出了每种方法的优势与局限，更通过精准洞察当前的技术瓶颈，为该领域的未来研究指明了具体路径，具有重要的科学指导意义和工业应用参考价值。