学术研究报告：基于AR谱分析的织物瑕疵自动检测方法研究
一、研究概述与发表信息
本项研究由来自东华大学纺织学院的步红刚、汪军、黄秀宝三位研究者共同完成，其中汪军同时隶属于东华大学纺织面料技术教育部重点实验室，黄秀宝同时隶属于东华大学纤维材料改性国家重点实验室。该研究成果以论文形式发表于国内学术期刊《数据采集与处理》（Journal of Data Acquisition & Processing）2009年11月出版的第24卷第6期上，文章编号为1004-9037（2009）06-0783-06。
二、研究背景与目的
本研究属于纺织工程、计算机视觉与模式识别领域。在纺织品生产过程中，织物瑕疵检测传统上依赖人眼目测，这种方式存在效率低下、劳动强度大、标准不统一等问题。为此，研究者们一直致力于开发基于计算机视觉的自动检测系统以替代人工。该领域的一个技术关键点在于如何有效地提取能够反映织物纹理异常的特征。织物纹理具有典型的周期性和取向性，正常的织物因经纬纱线的规律交织而呈现出规则的重复模式，而瑕疵的出现则会破坏这种规律性，表现为周期大小的改变、周期性强弱的削弱或增强、纹理取向的紊乱等一种或多种变化。
此前，主流的研究方法通常采用二维快速傅里叶变换（FFT）来获取织物图像的功率谱，并从中提取特征。然而，对整幅二维图像进行FFT运算的计算量极为庞大，难以满足在线实时检测的速度要求。与此同时，在信号处理领域，以自回归（Auto Regressive, AR）模型为代表的现代功率谱估计方法，因其在分析短数据序列时具有比传统傅里叶变换更高的频率分辨率和估计精度，而在故障诊断等领域得到了广泛应用。基于此，本研究的核心目的在于探索一种计算效率更高、检测精度更佳的织物瑕疵检测新方案。具体而言，研究者拟充分利用织物纹理信息主要集中于经向和纬向的特点，通过一维投影将二维图像数据压缩为一维时间序列，并采用Burg AR谱估计算法从该序列中提取纹理特征，最后首次引入支持向量数据描述（Support Vector Data Description, SVDD）这一单类分类器来构建检测模型，以实现在低误警率下的高瑕疵检出率。
三、研究工作流程与方法
本研究的工作流程可以系统地划分为四个主要步骤：图像预处理与一维投影序列生成、基于Burg算法的AR功率谱估计与最优阶数选择、纹理特征提取、以及基于SVDD的瑕疵判别模型构建与验证。
首先，在图像预处理阶段，研究者将每一幅织物图像按照32像素×32像素的尺寸划分为子图像，每个子图像被视为一个独立的样本。由于织物纹理是由经纬纱线垂直交织而成，其纹理信息高度集中于这两个方向，因此，研究者将每个二维子图像分别沿经向和纬向进行灰度投影，得到两个一维的投影序列，并将其首尾连接，形成一个长度为64的联合序列。这一操作将二维图像数据大幅度压缩为一维时间序列，极大地降低了后续计算量。
其次，研究者采用Burg算法对每个样本的联合序列进行AR功率谱估计。Burg算法是一种公认的优秀AR参数估计方法，它在Levinson-Durbin递推的约束条件下，使序列的前向和后向预测误差的平均功率最小化，尤其适用于本研究中的短数据记录（长度为64）。在AR谱估计中，模型阶数的选择至关重要：低阶数得到的谱平滑，反映信号的整体趋势；高阶数则能揭示更多细节。本研究只关注能表征纹理主周期和强度的最高谱峰，因此选用低阶模型。研究者提出了一种纹理自适应的AR阶数选择原则：对由所有正常训练样本构成的集合，使用从低到高的一系列阶数进行谱估计，并计算所有样本的平均功率谱密度曲线，最终选择一个恰好使该平均曲线只出现一个谱峰的阶数作为当前织物的最优AR阶数。这种自适应的策略保证了算法对不同纹理结构的通用性。
再次，在获得每个样本的功率谱密度曲线后，进行特征提取。研究者选定了两个关键特征构成二维特征向量：最高谱峰的峰值和最高谱峰的位置。其理论依据在于，峰位置直接反映了序列的主导周期大小（频率越低，峰位置横坐标越小，对应纹理周期越大）；而峰的峰值和曲线的整体平滑度则反映了纹理的周期性强弱或规则度。绝大多数瑕疵会破坏正常纹理的规则性，导致最高谱峰峰值降低；少数瑕疵可能产生相反效应，但都会在特征空间中偏离正常样本的分布区域。针对谱曲线因过于平滑而无谱峰的情况（表明原始纹理信息极度紊乱），其特征值直接置为0。
最后，在瑕疵检测模型构建阶段，研究者首次将支持向量数据描述引入织物瑕疵检测领域。SVDD是一种单类分类方法，其核心思想是将所有正常样本通过核函数映射到高维特征空间，并在该空间中寻找一个能够尽可能包围所有正常样本的最小超球体。对于待检测样本，如果其映射到同一空间后位于该超球体内部，则判定为正常；否则判定为瑕疵。该算法的数学本质是一个带约束的二次优化问题，其目标函数和判别函数由拉格朗日乘子、正则化参数ν和高斯核函数κ决定。正则化参数ν∈(0,1)可以直接被解释为对检测器误警率的预先估计和控制，这为实际应用提供了极大的便利。核函数尺度参数γ则通过交叉验证法在训练过程中优选得出。
四、主要实验结果与分析
本研究的实验方案设计周密，选取了6种来自实际生产、具有不同纹理背景的素色织物，构成了6个独立的检测数据集，其中包含平纹和斜纹组织，瑕疵类型以横档、吊经为主，兼有油污、磨痕、杂物织入等。训练集全由正常样本组成，测试集则包含正常和瑕疵样本。评价指标采用误警率和漏检率。
实验结果汇总于文中的表3。数据显示，在所有6个数据集上，实际误警率与通过参数ν设定的预计误警率均高度吻合。例如，在数据集1上，当ν设为0.01、0.02、0.03时，实际误警率分别为0.0138、0.0244、0.0366。这一结果有力地证明了SVDD算法的理论优势，即检测者能够通过对ν值的简单设定，实现对检测系统误警率的有效、精准控制。同时，在保持较低误警率的前提下，各数据集的漏检率也维持在较低水平。以数据集1为例，在1.38%的实际误警率下，漏检率仅为7.20%；当允许误警率略升至3.66%时，漏检率降至1.89%的低位。
这些结果表明，从图像一维投影序列的AR功率谱中提取的最高谱峰峰值和峰位置两个特征，确实成功捕捉了区分正常纹理与瑕疵纹理的核心信息，尤其对横档、吊经等纹理渐变类型的瑕疵具有优异的检测能力。文中的图3以实例图像直观展示了检测效果，算法能够准确地将含有瑕疵的32×32像素子区域标记出来。实验结果证实，将一维投影的降维策略、Burg AR谱估计的高精度特征提取能力与SVDD的强大单类分类能力相结合的整套技术方案是切实可行的。
五、研究结论与价值
本研究的结论明确指出，利用织物图像纵横投影联合序列的AR功率谱特征进行瑕疵自动检测是一种快速且有效的方法。其科学性在于，将二维图像信息压缩为一维时间序列，在保留必要的周期和取向信息的同时，成倍减少了运算量；采用基于Burg算法的现代谱估计，比传统的FFT方法更适用于短数据序列，且估计精度更高；选用小阶数AR模型仅关注最高谱峰，进一步提升了处理速度。其应用价值在于，首次成功应用SVDD模型于织物瑕疵检测，这一单类分类框架非常贴合实际生产中瑕疵样本难以大量获取、模式多变的问题本质，且其参数ν的直接物理意义使得检测灵敏度的调节变得直观可控。
六、研究亮点总结
本研究的亮点主要体现在三个方面：第一，方法上的独创性。它首次构建了“一维投影 + Burg AR谱分析 + SVDD”的织物瑕疵检测框架，巧妙地将信号处理与模式识别的前沿技术融合，解决了传统二维图像分析计算量大的瓶颈。第二，技术上的自适应性。提出的自适应AR阶数选择原则，使得同一套算法能够智能地适应不同纹理背景的织物，避免了手动调参的繁琐，增强了方法的普适性。第三，问题解决上的实用性。通过SVDD实现了对误警率的有效预设和控制，这在工业检测中具有重大意义，因为可控的误警率是评估检测系统可靠性和经济性的关键前提。整个方案在追求低漏检率的同时，将误警率作为硬约束条件纳入模型设计，体现了严谨的工程思维。