基于方向灰度积分曲线特征的织物疵点检测算法研究

李丑旦 祝双武 马阿辉 王世豪 马晓彤

摘要： 针对于断纱、缺纱、穿错、粗纱等这类结构型织物疵点，由于其具有灰度跳变不明显、疵点面积小的特征在疵点检测过程中难以检测这一问题，本文结合织物图像自身的纹理特征及结构型疵点的方向性特征，创新性地提出基于方向灰度积分曲线特征的织物疵点检测方法，将二维织物图像的疵点检测转化为对一维灰度积分曲线特征的分类识别。该方法通过对输入的图像提取垂直水平方向灰度积分波形曲线，并对积分曲线提取了包括平均值、方差、能量等14个波形特征，然后利用可优化SVM分类算法对提取特征进行疵点判别。通过对漏针、断纱、并经、粗纱等疵点进行检测试验，结果表明，本文提出的疵点检测方法不仅对检测灰度跳变较小的结构型疵点具有较好的检测效果，检测准确率达到了94.34%，而且检测速度快，可以满足实时检测的速度要求。

关键词： 织物纹理特征;结构型疵点;方向灰度积分投影;曲线特征;可优化SVM;疵点检测

中图分类号： TS101.914;TP391

文献标志码： A

文章编号： 1001-7003（2023）04-0051-10

引用页码：

041108

DOI： 10.3969/j.issn.1001-7003.2023.04.008（篇序）

纺织面料外观质量检测是纺织生产过程中重要工序，直接影响产品的外观质量。传统外观质量检测依靠人工完成，具有效率低、速度慢、成本高等缺点，随着科技的发展及工业化生产速度的提高，基于图像处理的织物疵点自动检测技术近年来一直是一个重要的研究热点。大量的学者提出了不同的织物疵点检测方法，这些方法概括起来分为结构方法、统计学方法、频谱分析方法、模型法、基于学习的方法及多种方法结合的方法［1］。传统单一的检测算法在应用时都存在一定局限性，如在结构方法中，祝双武等［2］分析织物的纹理结构，利用自相关函数提取织物纹理的基元模板，通过纹理基元与模板间的差对疵点进行增强，再利用方法对计算出的局部不平整度进行阈值分割，来检测织物中的疵点。结构法虽然方法简单，检测效率较高，但仅对简单的、灰度分布均匀的纹理图案检测有效。随着生产技术逐步提高，纹理的多样性给基础纹理特征提取造成了困难。在统计学方法中，李涛等［3］提出了基于多尺度下结合LBP和PSO的适用于多种疵点检测的算法，实现了瑕疵图像在生产中不宜大量获取的情况下进行检测的问题。但在统计学方法中，对图像灰度共生矩阵的计算量是灰度级的平方，消耗大量的存储资源和时间，且统计法对于纹理不明显的织物检测效率较低，因此在应用过程中存在局限。在频谱分析方法中，Gabor变换是频谱法中应用较多的方法，滤波器对于纹理具有较好的表现，因此在针织物和机织物上都有较好的适用性［4］。如Li等［5］通过将自适应参数与Gabor滤波器相结合的混合算法，取得了经编机上的良好检测效果。但由于Gabor需要多尺度多方向上滤波导致计算复杂度高，对于不同的纹理织物，很难选取合适的Gabor滤波器参数，因此在使用过程中普适性仍有待提高。在模型法中，Hu等［6］通过提取图像的特征图，根据Gumbel分布模型与特征图中的无缺陷背景纹理相对应的像素值分布进行建模，以此实现对织物的无监督检测。基于模型的方法如自回归和高斯马尔科夫随机场模型［7］虽然对于背景花纹复杂及重复性差的织物也能有较好的检测效果，但计算量大，对于小区域疵点检测效果不佳。在基于学习的方法中，如目前BP神经网络［8］、卷积神经网络［9］、生成对抗网络（GAN）［10］、faster R-CNN［11］及YOLOv5［12］等经典的深度学习算法模型进行疵点分类时的准确率高，但由于是对二维图像进行不断深层卷积学习，所以训练参数多、样本需求量大、训练耗时长，运算数据量大，极易陷入过拟合等缺点［13］。在纺织企业生产过程中，结构型疵点如断经、穿错、百脚、粗纱等疵点由于与正常无疵点区域灰度差异和疵点区域面积都较小，通过传统的基于灰度的方法很难准确检测出来，是织物疵点自动检测技术发展的一个重要难点。这类结构型疵点在织物图像中产生的灰度跳变小，灰度对比不明显，但仍会破坏织物的正常纹理，破坏织物图像位置灰度分布规律，影响产品的质量，产生大量疵点布匹。通过对这类结构型疵点进行分析研究，发现结构型疵点具有明显方向特征，进一步对织物进行方向灰度积分投影，疵点区域会破坏织物灰度积分曲线周期，改变方向灰度积分曲线的规律，在投影曲线上疵点位置出现明显突变。

结合织物纹理重复性和规律性的特点，本文提出基于灰度积分曲线特征的织物疵点检测算法研究，并通过提取织物的方向灰度积分曲线特征值，对织物图像是否存在疵点进行判别。算法首先基于织物图像纹理特征提取织物的方向灰度积分波形数据;然后通过对提取的方向灰度积分波形数据进行分析，提取了平均值、方差、能量、均方根等14个波形特征;最后通过可优化支持向量机（Support vector machine，SVM）对提取的特征数据进行识别分类，来验证算法的有效性。

1 图像方向灰度积分曲线及其特征的数学描述

1.1 方向灰度积分曲线

灰度积分法作为图像区域简单快速定位算法，是一种常见的图像处理方法，它是根据灰度图像在特定方向上的投影进行提取。织物由经纱和纬纱按照一定的规律排列而成，具有明显方向周期性，因此对织物图像进行垂直和水平方向的灰度积分，积分曲线能反映出织物的经纬纱纹理周期规律。

当织物出现断纱、缺纱、穿错时，在织物图像上会出现一定的方向灰度变化，因其灰度变化具有明显方向性，这种变化会在水平垂直积分投影值上反映出来。因此可以通过积分投影法，根据图像在水平垂直方向上的积分投影分布，将二维图形疵点检测转换为对一维灰度积分曲线特征检测，最终实现对结构型疵点的检测。通常情况下灰度积分法分为水平积分投影和垂直积分投影，其数学定义如下。

對于一幅n行m列的图像，X（x，y）为图像在位置（x，y）处的灰度值，则图像在水平和垂直方向上的灰度积分投影公式如下式所示：

Sh=∑m-1x=0X（x，y）（1）

Sv=∑n-1y=0X（x，y）（2）

式中：Sh和Sv代表水平方向和垂直方向上的灰度积分值。

图1（a）是采集的织物疵点的图像，可以看出结构性疵点的灰度跳变较小难以检测；而图1（b）是垂直灰度积分曲线，图1（c）是水平灰度积分曲线。在方向灰度积分曲线中，可以看到正常纹理图像的灰度积分呈现固定周期波形曲线，而疵点区域则会破坏积分曲线的规律，出现波形突变。因此，可以通过对曲线波形特征分析，来检测疵点是否存在及存在的位置。

1.2 灰度积分曲线波形特征

曲线波形特征能够准确描述灰度积分曲线波形能量、峰值、幅值等曲线特征，从前文试验可知疵点图像的波形和正常纹理的波形存在明显差异，因此通过提取灰度积分波形特征，能作为织物疵点的自动识别中的有效特征数据。设某一原始波形数据为X=（x1，x2…，xn），波形长度为n，则对该波形数据提取的特征及提取方法如下。

1） 平均值。也称平均数、均值，是灰度积分曲线的平均，是一组数据的重心所在，是统计学中最基本、最常用的一种平均指标，如下式所示：

X=1n·∑ni=1xi（3）

2） 方差。方差是在概率论和统计方差衡量随机变量或一组数据时离散程度的度量，用来度量随机变量和其数学期望（即均值）之间的偏离程度，是衡量一组数据波动大小的重要量，如下式所示：

Xvar=1n∑ni=1（|xi|-X）2（4）

3） 平均幅值。反映方向灰度积分波形的幅值大小，如下式所示：

Xma=1n·∑ni=1|xi|（5）

4） 能量。用来反映方向灰度积分波形能量大小，如下式所示：

Xe=∑ni-1x2i（6）

5） 均方根。又叫有效值，适用于振幅随着位置变化的疵点诊断，如下式所示：

Xrms=1n·∑ni=1x2i（7）

6） 方根幅值，如下式所示：

Xr=1n·∑ni=1|xi|122（8）

7） 标准差。标准差能反映一个方向灰度积分曲线波形数据集的离散程度，如下式所示：

Xstd=1n·∑ni=1（xi-X）2（9）

8） 峰值系數，如下式所示：

Cf=Xrms/（xmax-xmin）（10）

式中：xmax为波形数据中最大值，xmin为波形数据中最小值。

9） 波形系数。波形系数表示各种方向灰度积分曲线波形的峰值与有效值之间关系，如下式所示：

Cs=Xrms/Xma（11）

10） 脉冲因子。脉冲因子是波形数据峰值与平均值的比值，用以检测波形数据中是否存在冲击，如下式所示：

Cif=max（|xi|）/X（12）

11） 裕度因子。裕度因子是波形数据峰值与方根幅值的比值，可以用于检测波形数据突变的情况，如下式所示：

Cmf=max（|xi|）/Xr（13）

12） 偏度因子。偏度因子描述波形数据的偏斜度、偏态，如下式所示：

Xsf=1n·∑ni=1（（|xi|-X）3/X3rms）（14）

13） 峭度，如下式所示：

Ck=1n·∑ni=1x4i（15）

14） 峭度因子。峭度因子是表示波形平缓程度的，用于描述变量的分布，如下式所示：

Ckf=Ck/x4rms（16）

在织物疵点图像中，存在疵点的区域由于图像的局部灰度产生突变，如图1（b）所示，织物疵点导致疵点区域的积分曲线形态与正常织物积分曲线形存在明显差异，曲线形态变化将导致积分曲线数据的重心、离散程度、波形幅值及曲线所包含能量发生变化。因此通过提取上述14个特征，分别从曲线的重心、离散程度、幅值变化、能量等方面提取曲线数据的主要特征，作为曲线突变识别指标，来实现织物疵点判别。

2 织物图像预处理及灰度积分波形提取

2.1 图像预处理

由于织物的弹性、机上张力、相机安装位置等因素，采集的织物图像可能会存在歪斜、变形等现象，如图2（a）所示。实时采集的织物图像，由于织物弹性牵拉的作用，使采集的图像产生歪斜形变，对歪斜的织物图像提取方向灰度积分曲线如图2（b）所示。由于图像歪斜，导致灰度积分曲线也失去规律的周期特征，因此对织物图像进行歪斜校正，来获取更好的方向灰度积分曲线是试验重要的预处理过程。如图2（c）所示，是本文采用了Halcon中hom_vector_to_proj_hom_mat2d仿射变换算子对图2（a）进行的歪斜校正效果。通过校正，图像的灰度积分曲线周期性更加明显，曲线也更为规律稳定，很好地体现织物的纹理周期特征，矫正后提取的灰度积分波形曲线能很好满足对波形特征的提取。

2.2 波形数据提取及特征数据集制作

2.2.1 波形数据预处理

对织物图像提取方向灰度积分时，由于素色织物灰度变化较小，波形数据中出现较多小毛刺，图像提取的积分曲线中峰值较多，在按照极值提取周期波形时容易受影响。为了消除这种随机误差，提高波形数据质量，本文针对于织物毛刺问

题，采取窗口大小为5的均值滤波，对提取的数据进行滤波，消除波形中的毛刺，使曲线数据更加平滑。本文采取1×5模板窗口均值滤波器表达式，如下式所示：

xi=15∑2j=-2xi+j（17）

式中：xi表示滤波后一维波形数据在i处的值，xi+j为原始波形数据中各个数据值。

2.2.2 波形数据自适应提取及特征数据集制作

1） 波形曲线长度控制。在对织物进行方向灰度积分曲线投影时，如图3（a）（d）（g）所示，由于织物图像具有纹理周期特征，正常织物的积分曲线会表现出固定的周期，而疵点则因破坏织物的结构使积分曲线发生突变。在提取波形数据时，截取的波形长度影响波形的特征值，过长或过短都会降低特征值的有效性。试验发现，若将整幅图像的方向灰度积分曲线作为波形特征提取的数据源，波形数据过长，疵点区域在整个波形中占比较小，如图3（b）（e）（h）所示，疵点特征将被平均在整个织物波形曲线中，严重降低疵点特征值的有效性，也达不到对疵点的具体定位效果。波形过短则其携带特征信息不明显，也会降低波形特征值的提取，如图3（d）所示织物，其纹理周期较小，导致波形周期长度过短。为了提高曲线特征质量本文结合织物图像纹理周期性，本文采用自适应算法将截取的波形长度控制在20～60个像素单位之间，对于纹理周期不足20的织物，如图3（d）所示，截取数倍的纹理周期，将曲线长度控制在20～60个像素单位内，对波形曲线进行周期截取。通过自适应截取算法，不仅可以提高疵点区域特征值质量，也可以实现疵点的具体定位。如图3（c）（f）（i）所示，是通过本文算法所截取图中的每段波形曲线，正常曲线和疵点曲线具有较明显差异。

2） 波形曲线完整性控制。进行织物周期截取过程中，按照固定周期截取则波形随着位置变化出现偏移的现象，如图4（b）（e）所示，可以看出曲线在不断偏移，这导致截取的波形出现变形，不能很好体现织物周期完整性特征，降低曲线特征值质量。因此本文将织物纹理周期和灰度积分曲线极值结合加入波形的自适应截取算法，在织物纹理周期长度阈值范围内寻找极大值进行曲线截取。图4（c）（f）是按照本文设计的自适应截取算法，可以看出波形截取过程中很好地保留了波形周期的完整性，同时疵点区域的波形和正常区域波形也有明显差异，基于本文自适应波形截取算法对波形提取特征，将达到很好的疵点判别效果。

3） 特征数据集制作。经过图像的预处理和对灰度积分数据滤波及自适应截取后，按照波形特征公式提取波形数据的特征值，制作成波形数据特征值数据集用于后续疵点分类。如表1所示为图4（c）所示自适应截取波形所对应的特征值数据集，波形序号与图4（c）所示波形段一一对应。

3 基于灰度積分曲线特征的织物疵点检测算法

本文基于特征值数据多维度的特点，在疵点分类过程中将采用可优化SVM的算法对特征数据集进行分类测试试验。试验设备为主频2.20 GHz的Intel（R）Core（TM）i5处理器和

8 GB RAM内存的Win10操作系统计算机。

3.1 疵点检测算法实现过程

1） 选择检测织物图像，从面料生产厂线上通过高分辨率工业相机采集获取织物图像，制作织物原图数据集;2） 对织

物原图通过歪斜校正得到用于提取波形的图像数据集，对图像数据集进行方向灰度积分滤波处理生成波形数据;3） 对波形数据通过自适应算法进行波形截取，按照波形特征值公式提取波形特征值，制作成特征值数据集，进行标签构建，无疵点数据标记为0，疵点数据标记为1;4） 用Matlab中可优化SVM算子对数据集划分训练集和测试集进行训练和测试，并对结果进行分析。

具体算法流程如图5所示。

3.2 试验结果

试验数据集总样本数量为1 274条，对应织物图像313张，特征值数据集中正常样本为925条，疵点样本为349条，测试样本占据总样本的50%，训练样本占50%。其中包含漏针、粗节纱、并经、排错、断纱、织错等结构型疵点，覆盖针织物、机织物、素色织物及色织物。如图6（a）（d）（g）（j）（m）所示分别是这些疵点织物原图，图6（b）（e）（h）（k）（n）

所示分别为对应织物采用本文算法经过预处理截取的波形曲线，可以明显看出正常区域的波形呈现规律曲线形态，疵点区域的曲线则呈明显不规律曲线形态；而图6（c）（f）（i）（l）（o）所示分别为对应波形特征经过可优化SVM分类的混淆矩阵图。从分类结果来看，本文的算法对这五种织物疵点检测准确率分别达到91.73%、90.34%、90.90%、98.80%、95.60%。

除前文五种织物外，本文还对玻纤电子布等其他不同的织物进行了疵点检测，总的数据集为1 274条，试验总分类结果如图7（a）所示，对数据集的可优化SVM分类算法达到94.34%的准确率，试验结果证明算法对结构型疵点分类的有效性。

为了进一步证明本文可优化SVM分类方法的分类性能，本文使用可优化SVM、K最邻近算法（K-NearestNeighbor，KNN）和精细树三种分类方法对数据集进行对比试验，分类方法结果如图7所示。根据试验结果对三种分类算法准确度对比，KNN和精细树分类算法准确率为90.00%，低于可优化SVM准确率。证明本文选用的可优化SVM分类器相比KNN和精细树分类算法具有更高的分类准确度。

为证明本文算法通过提取一维波形数据特征对结构性疵点灰度跳变小检测的有效性，选择与文献［14］提取图像二维灰度共生矩阵特征方法和文献［15］对图像进行二维PCA-Gabor特征方法进行对比试验，来证明本文将二维图像疵点检测转化为一维数据特征检测的创新性及有效性。如图8（a）（e）（i）是织物原图，图8（b）（f）（j）是本文算法处理得到的灰度积分曲线，图8（c）（g）（k）是文献［14］方法中对疵点具有最优表现的熵特征图，图8（d）（h）（l）是文献［15］方法提取的PCA-Gabor特征图像。从图8（d）（g）（h）还可以明显看出疵点的特征，但从图8（c）（k）（l）可以看出，文献的两种方法对于图8（a）（i）这一类灰度跳变较小、不明显的结构型疵点检测效果较差，导致检测准确率较低。除此之外，由于文献［14］的灰度共生矩阵特征提取需要对二维图像四个方向进行运算，计算量大，需要更长的计算时间。如表2所示，通过特征提取效果对比，文献［14-15］对结构型疵点的特征提取效果不如本文的积分曲线特征明显，后续疵点分类效果也较低，这也证明了本文方法对于结构型疵点的有效性。

4 结 论

本文结合织物图像纹理的重复性、规律性特征，提出了一种基于方向灰度积分曲线特征的织物疵点检测方法。通过对织物方向灰度积分进行提取，将一维波形特征值应用到织物疵点检测中，来获取织物灰度积分投影曲线特征值，最后通过可优化SVM对所提取的特征值进行疵点分类，实现疵点检测。通过对断针、断纱、并经、穿错等疵点图像进行检测试验，选择试验样本包括机织物、针织物，素色、色织部分产品，都取得较好的检测效果，准确度达到了94.34%。试验结果证明了该方法对于这类大多数产品中存在的结构性疵点具有很好的检测效果，解决了这类疵点因灰度跳变小、面积小难以检测的问题。另外，由于本文方法只需将二维的图像信息转化为两个一维信息进行处理，通过降维提高了疵点检测算法的速度，可以更好地满足实时在线疵点检测系统的需求。

参考文献：

［1］NGAN H Y T， PANG G K H， YUNG N H C. Automated fabric defect detection： A review［J］. Image and Vision Computing， 2011， 29（7）： 442-458.

［2］祝双武， 郝重阳， 李鹏阳， 等. 基于纹理结构分析的织物疵点检测方法［J］. 计算机应用， 2008（3）： 647-649.

ZHU Shuangwu， HAO Chongyang， LI Pengyang， et al. Fabric defect detection method based on texture structure analysis［J］. Journal of Computer Applications， 2008（3）： 647-649.

［3］李涛， 陈建英， 刘莉. 基于多尺度下 LBP和 PSO的织物瑕疵检测方法研究［J］. 西南民族大学学报（自然科学版）， 2019， 45（1）： 66-71.

LI Tao， CHEN Jianying， LIU Li. Defect detection method for silk based on LBP and PSO under pyramids decomposition［J］. Journal of Southwest Minzu University （Natural Science Edition）， 2019， 45（1）： 66-71.

［4］赵艳， 左保齐. 机器视觉在织物疵点检测上的应用研究综述［J］. 计算机工程与应用， 2020， 56（2）： 11-17.

ZHAO Yan， ZUO Baoqi. Analysis on application of machine vision in fabric defect detection［J］. Computer Engineering and Applications， 2020， 56（2）： 11-17.

［5］LI Y D， ZHANG C. Automated vision system for fabric defect inspection using Gabor filters and PCNN［J］. SpringerPlus， 2016， 5（1）： 765.

［6］HU G H， WANG Q H. Fabric defect detection via undecimated wavelet decomposition and gumbel distribution model［J］. Journal of Engineering Fiber and Fabrics， 2018， 13（1）： 15-32.

［7］ZHANG Y， JIANG G M， YAO J Z， et al. Intelligent segmentation of jacquard warp-knitted fabric using a multiresolution Markov random field with adaptive weighting in the wavelet domain［J］. Textile Research Journal， 2014， 84（1）： 28-39.

［8］劉建立， 左保齐. BP神经网络在织物疵点识别中的应用［J］. 纺织学报， 2008（9）： 43-46.

LIU Jianli， ZUO Baoqi. Application of BP neural network on the identification of fabric defects［J］. Journal of Textile Research， 2008（9）： 43-46.

［9］郑雨婷， 王成群， 陈亮亮， 等. 基于卷积神经网络的织物图像识别方法研究进展［J］. 现代纺织技术， 2022， 20（5）： 1-11.

ZHENG Yuting， WANG Chengqun， CHEN Liangliang， et al. Research progress of fabric image processing methods based on convolutional neural network［J］. Advanced Textile Technology， 2022， 20（5）： 1-11.

［10］LIU J H， WANG C Y， HAI S， et al. Multistage GAN for fabric defect detection［J］. IEEE Transactions on Image Processing， 2019， 29： 3388-3400.

［11］CHEN M Q， YU L J， ZHI C， et al. Improved faster R-CNN for fabric defect detection based on Gabor filter with Genetic Algorithm optimization［J］. Computers in Industry， 2022， 134： 103551.

［12］颜学坤， 楚建安. 基于YOLOv5改进算法的印花图案疵点检测［J］. 电子测量技术， 2022， 45（4）： 59-65.

YAN Xuekun， CHU Jianan. Printing pattern defect detection based on improved YOLOv5 algorithm［J］. Electronic Measurement Technology， 222， 45（4）： 59-65.

［13］贺智明， 彭亚楠. 基于深度学习的织物疵点检测研究进展［J］. 毛纺科技， 2019， 47（8）： 83-88.

HE Zhiming， PENG Yanan. Progress in fabric defect detection based on deep learning［J］. Wool Textile Journal， 2019， 47（8）： 83-88.

［14］吳哲， 刘孝星， 郑力新， 等. 基于灰度共生矩阵特征图像的织物疵点检测方法［J］. 微型机与应用， 2015， 34（21）： 47-50.

WU Zhe， LIU Xiaoxing， ZHENG Lixin， et al. A fabric defect detection method based on gray level co-occurrence matrix feature image［J］. Cyber Security and Date Governance， 2015， 34（21）： 47-50.

［15］LI W T， MAO K Z， ZHANG H， et al. Designing compact Gabor filter banks for efficient texture feature extraction［C］//International Conference on Control Automation Robotics & Vision. NH Laguna Palace： IEEE， 2011.

Research on the fabric defect detection algorithm based on the featureof directional gray integral curves

LI Choudan， ZHU Shuangwu， MA Ahui， WANG Shihao， MA Xiaotong

（School of Textile Science and Engineering， Xian Polytechnic University， Xian 710048， China）

Abstract：

Textile fabric appearance quality inspection is an important process in textile production and directly affects the quality of textile and product pricing. In the production process of textile enterprises， structural defects such as broken yarn， lack of yarn， wrong threading， roving yarn and other defects are difficult to be accurately detected through the traditional gray-based method due to the smaller gray difference and defect area compared with the normal non-defect area， which is an important difficulty in the development of automatic detection technology for fabric defects.

In order to solve the problem that structural fabric defects such as broken yarn， missing yarn， wrong threading and roving are difficult to detect， we analyzed and studied these defects and found that the structural defects showed obvious directional characteristics on the image. By conducting directional gray integral projection on the fabric， we found that the period of fabric gray integral curves would be damaged partially in the defect area， and the defect position on the projection curve had a clear mutation. Based on the above studies， we proposed the fabric defect detection algorithm based on the gray integral curve features. By extracting the characteristic values of the gray integral curve in the fabric direction， the two-dimensional fabric image defect detection was transformed into the classification and recognition of the one-dimensional gray integral curve features. In this paper， the vertical and horizontal direction gray integral waveform curves were extracted from the input image， and 14 waveform features including the average value， variance， and energy were extracted from the integral curves， and then the optimizable SVM classification algorithm was used to classify the extraction features. Through the detection experiments on such defects as drop stitch， broken yarn， parallel warp and roving， we draw the conclusion that the proposed method not only has a good detection effect on the structural defects with small gray scale jump， but also has a fast detection speed， which can meet the speed requirements of real-time detection.

In this paper， a fabric defect detection method based on the feature of direction gray integral curves is proposed based on the characteristics of repetitive and regular fabric image texture. The accuracy reaches 94.34% by detecting the images of broken needles， broken yarn， parallel warp and wrong threading. The experimental results show that the proposed method has a good detection effect on structural defects and solves the problems that such defects are difficult to detect due to the small gray scale jump and small area. In addition， since we only need to transform the two-dimensional image information into two one-dimensional information for processing by adopting the proposed method， the speed of the defect detection algorithm can be improved by dimensionality reduction， which can better meet the requirements of the real-time online defect detection system.

Key words：

texture characteristics of fabric; structural defects; directional gray integral projection; characteristic of curve; optimizable SVM; detection of defects

收稿日期：

2022-09-05;

修回日期：

2023-02-22

基金項目：

陕西省教育厅科研计划项目（18JS042）;中国纺织工业联合会科技指导性项目（2019057）

作者简介：

李丑旦（1997），男，硕士研究生，研究方向为图像处理、模式识别。通信作者：祝双武，教授，博士，294082077@qq.com。