织物缺陷检测是纺织品检验的核心项目之一，其主要作用是避免织物缺陷影响布匹质量，从而防止纺织品价值和销售受到严重冲击。
传统目标检测方法的流程可概括为 “特征提取 - 识别 - 定位”，将特征提取与目标检测分为两个独立环节完成；基于深度学习的目标检测流程则为 “图像深度特征提取 - 基于深度神经网络的目标定位”，其中卷积神经网络是核心技术。
从纺线到成品织物，需经历纱线纺织、裁剪、图案印染等多个流程，每个流程又包含诸多工序。在各环节的生产中，若设定条件不合理、工作人员操作不规范或机器出现硬件故障等，都可能导致纺织品表面产生缺陷。理论而言，加工流程越复杂，出现缺陷的概率就越高。
与传统方法相比，基于深度学习的织物疵点检测方法具有检测速度快、误检率低、检测精度高等优势，但这些优势的发挥依赖于大量的训练数据库。只有在训练阶段输入足够多的织物疵点图像，尽可能涵盖各类疵点类型，网络模型才能通过反复学习熟悉疵点的 “特征”，即获取疵点位置的特征信息并记忆，从而在后续检测中更快速、准确地定位并标识疵点。
构建数据库的流程如下：首先搭建由光源、镜头、相机、图像处理卡及执行机构组成的织物图像采集系统；然后通过该系统采集破洞、油污、起毛不均、漏针、撑痕、粗节等一定规模的织物疵点图像；最后通过转置、高斯滤波、图像增强等操作扩充织物图像，形成织物图像库，为后续深度学习提供样本支持
基于SSD神经网络的织物疵点检测定位方法，具体步骤如下：
1.划分数据集：将数据集的 80% 作为训练集与验证集，其中训练集占这部分的 80%，验证集占 20%；剩余 20% 作为测试集，以此获取最终的实验结果。
2.特征提取与候选框选取：将待检测的织物图像输入到经步骤一训练完成的织物检测模型中，对图像进行特征提取，并筛选出多个可能包含疵点目标的候选框。
3.疵点目标确定与输出：依据设定的判别阈值，对步骤二中的候选框进行判断，确定最终的疵点目标；再利用疵点目标所在候选框的交并比阈值，选定疵点目标框，随后存储疵点的位置坐标信息并输出该目标框。
该算法对平纹织物和模式织物均具有良好的自适应性与检测性能，拓宽了适用范围，且检测精度高，能有效解决人工检测误差大的问题，同时模型易于训练、操作简便。#缺陷检测 #视觉检测设备 #纺织品检测 #视觉检测
传统目标检测方法的流程可概括为 “特征提取 - 识别 - 定位”，将特征提取与目标检测分为两个独立环节完成；基于深度学习的目标检测流程则为 “图像深度特征提取 - 基于深度神经网络的目标定位”，其中卷积神经网络是核心技术。
从纺线到成品织物，需经历纱线纺织、裁剪、图案印染等多个流程，每个流程又包含诸多工序。在各环节的生产中，若设定条件不合理、工作人员操作不规范或机器出现硬件故障等，都可能导致纺织品表面产生缺陷。理论而言，加工流程越复杂，出现缺陷的概率就越高。
与传统方法相比，基于深度学习的织物疵点检测方法具有检测速度快、误检率低、检测精度高等优势，但这些优势的发挥依赖于大量的训练数据库。只有在训练阶段输入足够多的织物疵点图像，尽可能涵盖各类疵点类型，网络模型才能通过反复学习熟悉疵点的 “特征”，即获取疵点位置的特征信息并记忆，从而在后续检测中更快速、准确地定位并标识疵点。
构建数据库的流程如下：首先搭建由光源、镜头、相机、图像处理卡及执行机构组成的织物图像采集系统；然后通过该系统采集破洞、油污、起毛不均、漏针、撑痕、粗节等一定规模的织物疵点图像；最后通过转置、高斯滤波、图像增强等操作扩充织物图像，形成织物图像库，为后续深度学习提供样本支持
基于SSD神经网络的织物疵点检测定位方法，具体步骤如下：
1.划分数据集：将数据集的 80% 作为训练集与验证集，其中训练集占这部分的 80%，验证集占 20%；剩余 20% 作为测试集，以此获取最终的实验结果。
2.特征提取与候选框选取：将待检测的织物图像输入到经步骤一训练完成的织物检测模型中，对图像进行特征提取，并筛选出多个可能包含疵点目标的候选框。
3.疵点目标确定与输出：依据设定的判别阈值，对步骤二中的候选框进行判断，确定最终的疵点目标；再利用疵点目标所在候选框的交并比阈值，选定疵点目标框，随后存储疵点的位置坐标信息并输出该目标框。
该算法对平纹织物和模式织物均具有良好的自适应性与检测性能，拓宽了适用范围，且检测精度高，能有效解决人工检测误差大的问题，同时模型易于训练、操作简便。#缺陷检测 #视觉检测设备 #纺织品检测 #视觉检测
