本文是一篇发表在《Mathematical Problems in Engineering》期刊上的综合性综述文章，题为“Fabric defect detection using computer vision techniques: a comprehensive review”（基于计算机视觉技术的织物疵点检测：一项全面综述），于2020年11月16日出版。该研究由来自多个机构的学者合作完成，第一作者为Aqsa Rasheed，通讯作者为Muhammad Tariq Mahmood，作者单位包括巴基斯坦米尔普尔科技大学、政府学院大学、古吉拉特大学、国立计算机与新兴科学大学以及韩国技术教育大学。

本文围绕计算机视觉和数字图像处理技术在纺织工业织物疵点自动检测中的应用展开了系统性的回顾。文章首先指出了研究的背景与动机：纺织品的质量和价格极大程度上依赖于疵点检测工序的效率和效能。传统的人工检测方法存在人员培训成本高、因视觉疲劳导致微小疵点漏检、效率低下等显著缺陷，据报道人工检测的准确率仅为60%至75%。因此，发展基于计算机视觉的自动化检测流程对于降低成本、提升产品质量具有重要的工业应用价值。该综述旨在全面梳理现有的各类计算机视觉织物疵点检测方法，涵盖其性能评估标准，并探讨其局限性与未来研究方向。

在具体阐述中，文章将现有的检测方法细致地分为十余个类别，并对每一类方法的核心原理、代表研究及优缺点进行了详尽的归纳与评述。

首先，基于直方图的（Histogram-based）方法利用图像的灰度统计信息来区分疵点区域，其优势在于计算简单，但对噪声敏感，且在非规则纹理上检测率较低。例如，Ye等人利用模糊归纳推理分析织物结构，而Li等人则通过视觉显著性（visual saliency）生成的直方图特征配合支持向量机（SVM）进行分类，在规则和不规则图案织物上均取得了准确结果。

其次，基于颜色（Color-based）的方法将色彩作为关键视觉特征，利用缺陷区域与正常区域的颜色差异性（color dissimilarity）和空间位置相似性进行像素级缺陷值计算，通过多尺度分析增强对比度。但该方法在箱式图案和基元（motif-based）图像上的效果尚未得到证实。

第三，基于分割（Segmentation-based）的方法通过将图像划分为子区域来定位疵点，其成效依赖于分割算法的有效性，但往往伴随着较高的计算成本。例如，Guan等人采用基于一阶导数的Roberts算子进行边缘检测，成功分割了平纹织物中的感兴趣区域（ROI）。

第四，基于字典学习（Dictionary learning）的方法利用构建的字典对图像块进行稀疏表示和重构，通过比较与正常和缺陷字典的相关性系数生成显著性图，对复杂织物图像的疵点区域的定位表现出良好性能。

第五，基于纹理（Texture-based）的方法通过分析图像的纹理特征来检测异常。这包括了从传统的小波变换（wavelet transform）到更复杂的Shearlet变换。例如，Wen等人利用自适应小波基解决了非自适应方法无法适应所有疵点类型的问题；Hanbay等人则利用Shearlet变换提取子带均值和方差，并结合人工神经网络（ANN）进行检测，取得了优于传统方法的结果。

第六，基于频域（Frequency domain）操作的方法将图像转换到频域进行分析。例如，Hu等人结合离散傅里叶变换（DFT）和离散小波变换（DWT），先通过频域掩膜消除背景周期性图案，再进行小波收缩和阈值化来精确检测周期性纹理表面的疵点。

第七，基于灰度共生矩阵（GLCM）的方法通过计算像素对的条件概率密度来反映纹理的粗糙程度，常用的特征包括能量（energy）、同质性（homogeneity）和对比度（contrast）。但这类方法计算量大，且对高分辨率图像处理性能不佳。

第八，基于特征融合（Feature fusion）的技术通过结合多种特征或方法以提升检测的鲁棒性。例如，Jing等人将多通道Gabor滤波器（multiple Gabor filters）提取的特征与核主成分分析（KPCA）降维相结合，实现了对多种疵点的高效实时检测。Huangpeng等人则提出了一种结合纹理先验（texture prior）的加权低秩重构（W-LRR）方法，在处理结构性纹理表面缺陷时显示出优越的计算效率和检测精度。

第九，基于稀疏表示（Sparse-based）的操作利用稀疏字典重构技术，并通过支持向量数据描述（SVDD）等方法对重构特征进行异常检测，在斜纹和平纹织物的常见疵点检测中展现了有效性。

第十，基于形态学（Morphology-based）的方法利用膨胀、腐蚀等非线性操作处理图像形状特征，特别适用于分割和非周期性疵点的提取。例如，Mak等人将Gabor小波网络提取的特征用作形态学滤波器的结构元素，有效降低了误报率。

第十一，也是当前研究的一大热点，是基于深度学习（Deep learning）的方法。文章指出，传统技术难以满足工业需求，而卷积神经网络（CNN）等深度模型则显示出巨大潜力。文章回顾了多种深度学习框架：如Mei等人应用无监督深度学习网络进行疵点检测；Wei等人通过改进的Faster RCNN结构检测多种织物缺陷；Liu等人则设计了轻量级的YOLO-LFD模型，将模型大小从241MB压缩至8MB，大幅提升了检测速度，使其能部署于嵌入式设备。此外，生成对抗网络（DCGAN）、Mobile-Unet等模型也在疵点定位和像素级分类上取得了显著进展。然而，这些方法仍面临着训练成本高、小样本学习困难以及在微小疵点检测上的挑战。

在性能评估（Performance evaluation）方面，文章系统梳理了多种常用指标，并基于真阳性（TP）、真阴性（TN）、假阳性（FP）和假阴性（FN）这四个基本概念，详细解释了灵敏度（sensitivity）、特异度（specificity）、检测成功率（DSR）、误报率（FAR）、检测率（DR）和阳性预测值（PPV）等指标的定义与计算公式。

最后，文章在局限性（limitations）与未来工作部分深刻指出，由于织物类型和疵点种类繁多，目前尚无一种普适的检测方法。大量研究所用数据库各异，且光照条件不同，缺乏公开、统一的基准数据库，导致不同方法之间的客观对比变得困难。因此，该综述不仅为研究者提供了一个系统化的方法论分类谱系，更揭示了该领域走向标准化和实用化的关键瓶颈与未来方向，对于推动纺织自动化质检技术的进步具有重要的科学指引意义和工程应用价值。