本文发表于《Journal of Donghua University (Eng. Ed.)》2023年第40卷第1期，作者为朱润虎、辛斌杰、邓娜和范明珠，分别来自上海工程技术大学电子电气工程学院与纺织服装学院。该文是一篇综述性学术论文，系统回顾了基于计算机视觉的织物疵点检测技术的研究现状与发展趋势。

织物疵点是指织物表面纹理结构遭到破坏的各种缺陷，其产生原因涉及原材料、半成品、生产设备及操作等多个环节。纺织行业已定义了超过100种织物疵点，疵点的存在通常会使纺织品价格下降45%至65%，因此织物疵点检测在现代纺织加工流程中具有重要地位。传统人工检测依赖工人长时间目视观察，速度一般为每分钟15至20米，容易产生视觉疲劳，且在描述疵点形状与尺寸等精确信息方面存在明显局限。相比之下，基于机器视觉的自动检测系统速度可达每分钟100米以上，检测结果客观稳定，误检率与漏检率均低于人工检测，能够显著提高生产效率。

该综述首先介绍了织物疵点检测系统的整体结构。一个完整的检测系统通常由图像采集系统、图像处理系统和标记系统组成。图像采集环节中，光源一般选用发光二极管，其具有能耗低、寿命长、色彩丰富、形状可变及环保等优点；工业相机通常采用电荷耦合器件相机，因其具备高稳定性、高传输能力和高抗干扰能力。文章列举了多套国内外较成熟的检测系统，并对其性能参数进行了比较。例如，陕西长岭纺织机电科技有限公司于2016年推出的FS220自动验布机检测速度为每分钟120米、织物幅宽2.2米、检测精度0.2毫米；比利时巴可公司的Cyclops系统与织造同步运行，幅宽2.6米，检测精度0.3毫米；乌斯特公司Fabiscan系统检测速度为每分钟120米，幅宽1.1至1.4米，最小检测尺寸为0.3毫米；EVS公司的IQ-Tex系统检测速度为每分钟100米，幅宽1.2至3.6米，检测精度0.1毫米。苏州数友人工智能科技有限公司开发的TAS系统检测速度为每分钟80米，幅宽3.0米，检测精度0.2毫米。文章指出，尽管非织造布和印花织物的检测设备已逐步投入生产应用，但平纹机织物的检测设备仍较少实际使用，主要原因在于机织物纹理和疵点形态变化多样，目前尚不存在适用于所有织物的检测算法，同时检测软件与高性能处理硬件的成本较高，实时检测还需要并行计算技术支持。

在检测方法方面，文章将常见的织物疵点检测方法划分为五类：结构方法、统计方法、频率域方法、模型方法和深度学习方法。结构方法通过纹理分析提取图像中的纹理特征，进而推断纹理交替规则并分析图像的相关特性。该类方法原理简单、计算效率较高，但对复杂纹理的处理效果较差。统计方法则通过研究织物纹理的统计特性来提取图像特征，从统计学角度分析随机变量的分布。其中，基于灰度共生矩阵的方法具有较高精度，但处理高分辨率图像时计算量大、效率较低；基于自相关函数的方法计算复杂度低，但难以分析随机性强且不规则的纹理图像；基于数学形态学的方法计算简单，适用于随机纹理织物，但只能处理部分非周期性织物图像缺陷。频率域方法将图像视为二维分布信号，通过设计信号滤波器分析图像纹理并提取特征。基于傅里叶变换的方法识别精度较好，但对信号均匀性不敏感，且无法在空间域定位缺陷；基于小波变换的方法能够进行多尺度分析，有效提取图像的水平、垂直和对角局部信息，但易受图像成分干扰；基于Gabor变换的方法非常适合纹理表示与分离，但不适用于多尺度和多分辨率织物检测。模型方法通过建立模型来分析表面纹理随机性较高的织物。高斯马尔可夫随机场模型在纹理规律性较弱的织物上表现较好，但检测微小缺陷时效率低、计算量大；自回归模型通过线性预测描述纹理图像像素的线性依赖关系，其回归过程节省计算资源，但自相关系数小于0.5时预测结果可能不准确。

深度学习方法能够从图像中自动提取并识别特征，不依赖人工设定参数，进一步提高了检测效率与检测精度。文章指出，目标检测算法主要分为两阶段方法和单阶段方法：两阶段方法如区域卷积神经网络系列算法精度较高；单阶段方法如YOLO和SSD速度较快，但均匀密集采样会导致正负样本不平衡，影响模型精度。在织物疵点检测领域，YOLO、Faster R-CNN和SSD等方法均已取得良好效果。例如，基于改进YOLOv3模型的算法对坯布和格子布的误检率低于5%；基于Faster R-CNN的改进算法在公开数据集上精度超过97%；基于SSD的优化算法较原始SSD精度提高约15%，识别率达到90%。深度学习方法在训练阶段需要大量数据，而大规模且标注良好的数据集成本高昂，因此许多研究使用仿真数据进行模型训练。利用生成对抗网络生成伪数据以扩充样本数量被认为是一种可行方案。此外，针对有限缺陷样本条件下的花纹织物缺陷训练与分类问题，有研究提出了基于Fisher准则的级联去噪自动编码器；还有研究提出了基于卷积去噪自编码网络的无监督学习方法，适用于多种纺织织物并具有较高的鲁棒性。朱志伟等人提出了一种面向边缘计算场景的深度学习织物疵点检测方法，并制定了优化的交叉熵损失函数，实验结果表明，与卷积神经网络相比，该优化模型在11种疵点的曲线下面积指标上平均提高了18%。方海珍等人提出了一种基于全卷积网络的两阶段由粗到细级联的拉链带疵点检测框架，在保持较高检测效率的同时实现了较高的检测精度。

在算法评价方面，文章介绍了基本的评价准则，包括真阳性、假阴性、假阳性和真阴性四个概念。评价指标不仅包括检测成功率，还需考虑漏检率和误检率。此外，算法的通用性和实时性也是重要的评价指标。通用性涉及缺陷差异、图像质量和光照条件等多种因素；实时性则要求算法能够在实际生产检测过程中完成在线检测任务。文章通过表格总结了各类方法的优缺点：结构方法原理简单但不适用于复杂纹理；统计方法中灰度共生矩阵法精度较高但处理高分辨率图像效果差，自相关函数法计算复杂度低但难以分析强随机性图像，数学形态学法适用于随机纹理织物但仅适用于部分非周期性缺陷；频率域方法中傅里叶变换法识别精度好但对信号均匀性不敏感，小波变换法可多尺度分析但易受图像成分干扰，Gabor变换法适合纹理特征但不适用于多尺度检测；模型方法中高斯马尔可夫随机场模型在纹理规律性弱的织物上效果较好但检测小缺陷效率低，自回归模型节省计算资源但自相关系数受限；深度学习方法无需人工设定参数、精度高，但需要大量训练数据和较高检测成本。

最后，文章对该领域的未来发展趋势进行了展望。不同算法在不同应用环境下的精度不一致，织物图案多样性和复杂性增加时检测精度会下降。传统算法适用范围广、原理简单，但需要人工提取纹理特征并优化相关参数；深度学习方法效率高、精度高，但需要大量数据集训练神经网络模型。面对数据集稀缺的问题，研究者采用生成伪缺陷数据集和训练小数据集的方法来优化算法。单一处理方法往往存在一定局限性，采用混合方法进一步优化模型是未来的趋势。目前大多数算法在速度和精度等通用评价指标上有所创新，深度学习的引入将使评价指标更加丰富和灵活，神经网络的架构和综合性能将为算法评价引入许多新指标。非织造布和印花织物的检测设备已进入实际生产应用，但平纹机织物检测设备仍较少。除设备价格等因素外，机织物纹理变化和疵点形态变化的多样性也是主要原因。目前尚未提出适用于所有织物的检测算法，一旦算法取得突破，整个行业的自动化将成为可能。

该综述的学术价值在于系统梳理了基于计算机视觉的织物疵点检测技术的研究脉络，将检测方法分为五大类并逐一分析其原理、优点与局限，为后续研究提供了清晰的分类框架和方法比较依据。应用价值在于通过对现有成熟检测系统的性能参数比较，揭示了当前工业应用中存在的瓶颈问题，尤其是平纹机织物检测设备缺乏这一现实困境，为产业界与学术界的进一步合作指明了方向。文章还特别强调了深度学习方法的潜力与挑战，指出数据稀缺和计算成本高是制约其广泛应用的主要障碍，而生成对抗网络等数据增强策略以及边缘计算等优化方案为解决这些问题提供了可行的技术路径。