1、在現(xiàn)代紡織織造行業(yè)，紡織品成品的質量直接關系到其銷量，只有提高紡織品的質量才能提高行業(yè)競爭力。通常來說，影響紡織品質量的兩個關鍵因素是色差和疵點。在傳統(tǒng)的紡織品織造行業(yè)，色差和疵點的檢測大多都是通過經(jīng)驗豐富的技術人員的肉眼來完成。但是由于現(xiàn)場環(huán)境的惡劣和技術人員的視覺疲勞，檢測效率往往非常低下，強烈依賴于技術人員的主觀意識。因此基于機器視覺的紡織品圖像檢測應運而生，不但解決了傳統(tǒng)的檢測方法依賴人工完成，而且大大提高了檢測的正確率。本文的

2、研究工作主要圍繞基于機器學習的紡織品色差檢測和疵點檢測兩個方面，致力于構建具有良好穩(wěn)定性的色差分類模型和疵點檢測模型，并用于解決紡織品在印染和織造過程中的色差和疵點問題。論文的主要工作和研究成果概括如下:
　　(1)對紡織品的色差，疵點的基本概念和研究現(xiàn)狀進行了簡要的介紹，分析和比較了各種色差分類和疵點檢測算法的特點及優(yōu)缺點。針對紡織品的色差分類，著重研究了具有良好分類性能的極限學習機算法，并且對極限學習機的理論基礎和存在的問題進

3、行了分析和探討。針對紡織品的疵點檢測，重點研究了基于字典學習的疵點檢測算法，并且結合稀疏編碼理論對字典學習方法的工作原理和隱含的問題進行了深入的分析和討論，為本文后續(xù)的工作提供堅實的理論基礎。
　　(2)為了建立紡織品色差分類模型，本文提出了一種基于動態(tài)參數(shù)選擇的差分進化算法優(yōu)化正則化極限學習機方法。首先，針對傳統(tǒng)的極限學習機隨機生成輸入權重和隱層偏置的問題，利用差分進化算法良好的全局搜索能力迭代優(yōu)化求取極限學習機的輸入權重和隱層

4、偏置;同時，由于傳統(tǒng)極限學習機在計算輸出權重時只考慮到經(jīng)驗風險，故引入了代表結構風險的正則化參數(shù)，防止生成病態(tài)解矩陣;最后，采用動態(tài)參數(shù)選擇方法選取差分進化算法最優(yōu)的參數(shù)組合模型，構建最優(yōu)化的色差分類模型。實驗結果表明，相比于差分進化算法優(yōu)化原始極限學習機的色差分類方法，本文提出方法取得較高的分類精度，并且具有較好的穩(wěn)定性和泛化能力。
　　(3)紡織品是由經(jīng)緯紗線按一定的規(guī)則編織而成，故其表面呈現(xiàn)高相關性，疵點區(qū)域可視為局部異常紋

5、理?？紤]到織物表面的紋理結構和疵點的尺寸，本文提出一種基于多尺度字典學習的疵點檢測方法，所提出的多尺度字典學習方法能夠更加清晰的描述紡織品圖像細節(jié)。由于原始字典學習算法計算量大，故在學習字典階段，引入改進的字典學習算法KSVD，加快字典更新速度。并提出了自適應差分進化算法優(yōu)化正則化極限學習機的紡織品疵點檢測模型。在模型訓練階段，引入自適應變異算子以解決差分進化算法尋優(yōu)過程中的參數(shù)設置問題。實驗結果表明，與傳統(tǒng)的應用Gabor濾波器方法，