纺织品表面瑕疵的有效检测与控制是现代纺织企业控制成本及提高产品竞争力的关键环节之一。随着人工智能与计算机科学的飞速发展,计算机视觉已经在工业表面检测领域中得到越来越广泛的应用,以计算机来代替人工视觉不仅可以提高检测速度,还能降低劳动成本,而且通过织物瑕疵自动检测系统可以为织物质量等级的评定提供双方可信的参考数据。因此,开发高效可靠准确的自动织物瑕疵检测算法具有重要的研究意义。近年来,随着压缩感知理论的快速发展,稀疏表示和字典学习在计算机视觉和模式识别领域得到了广泛的应用。本文基于稀疏表示和字典学习理论设计了两种机织物瑕疵图像的近似表示模型,并以此模型实现机织物瑕疵检测算法的设计。具体研究内容及相关工作总结如下:1)分析了现如今机织物瑕疵检测所存在的问题,并对现有的检测算法,依据基于特征提取法和基于非特征提取法的归类思路,分析总结了其中存在的缺点。接着根据本文研究的基于稀疏表示和字典学习的方法设计了机织物瑕疵图像近似表示模型。最后通过实验分析得出近似表示方法是可行的,并且为进一步的机织物瑕疵检测提供依据。2)阐述了基于稀疏表示的机织物瑕疵检测算法的整体流程。首先对瑕疵图像进行直方图均衡化预处理;然后根据近似的稀疏表示模型的目标函数对瑕疵图像进行分解,得到分解的瑕疵成分;最后对分解的瑕疵成分进行叠加阈值分解,以此达到瑕疵检测的目的。实验结果表明,对包括星型,方格型、圆点型、细格和条纹、净色的织物瑕疵图像,这种方法检测时间短,效率较高,平均检测率可达96.8%。3)介绍了基于字典学习的机织物瑕疵检测算法。检测算法流程是:首先对图像进行灰度化和均值滤波的预处理操作;接着使用正常图像联合矩阵进行字典学习,使用学习字典对瑕疵图像联合矩阵进行重构近似;最后求解重构误差,通过计算分割阈值对瑕疵区域的划分标记,达到瑕疵检测的目的。实验表明,使用该算法进行瑕疵检测,不仅能够解决织物表面一致性很好的简单纹理织物瑕疵检测问题,而且对于复杂纹理织物图像检测效果也很理想。通过量化结果分析可知,字典学习算法对简单纹理和复杂纹理瑕疵的检出率分别达到了97.41%和97.18%,检测效果比较理想。