针对目前织物人工开幅流程效率低、国内设备尚未有稳定的产品进入市场、国外半自动化设备操作相对复杂且通用性一般的现状,本文以“复杂纹理背景织物开幅的特征提取及系统研发应用”为题,重点研究提高自动开幅设备的通用性。结合深度学习算法与传统图像处理方法,完成对多种不同纹理特性的织物的自动开幅。本文研究的自动开幅系统,其主要的算法设计分为两大部分:一是利用深度学习完成对织物纹理特性的分析与分类;二是根据织物纹理特性的分类结果,采用针对性的图像处理算法,完成织物开幅引导线的准确识别。本文主要的研究内容与成果如下所示:（1）根据现有的自动开幅系统算法分析,由于织物本身的种类的复杂性,其织物本身纹理特征会影响织物开幅线的识别。因此,本文根据现有的15000张织物图像样本构建织物纹理特性数据集,数据集一共分为七种不同的纹理特性,例如:密集型花纹、等宽横纹、不等宽横纹等。利用改进后基于迁移学习的Google Net网络学习技术,将七种纹理特性进行分类,最终的分类准确率达到了100%。以训练好的网络为基础,构建织物纹理特性分析和分类系统,引入数据集以外的300张织物图像样本,验证网络的泛化能力,最终的识别准确率达到了98%,说明了分类系统的可靠性以及分类算法切实可行。（2）在完成了对织物纹理特性的分类,根据分类的结果,针对性的改进传统图像处理算法,完成织物开幅引导线的识别。例如:纹理特性较为简单的密集型花纹,利用垂直投影与Otsu分割算法,便能完成织物开幅引导线的识别,最终的识别准确率达到了100%;而纹理特性相对复杂的格状花纹与条纹格状,密集型花纹的识别算法不能准确的识别织物开幅引导线,本文织物采用了改进后的纹理滤除算法结合基于色差的颜色聚类算法完成该纹理特性下的织物开幅引导线识别,最终的识别准确率达到了98%。（3）织物的开幅引导线大致可分为以下三种:单缝、双缝以及漏针带。单缝与双缝的特征较为简单且固定,而漏针带的特征相对复杂且不固定,（2）中的算法是基于织物开幅引导线为单缝与双缝的识别,若织物开幅引导线为漏针带时,需在此基础上,增添一个活动的轮廓模型。首先在感兴趣区域的附近给出一条能量泛函函数初始曲线,通过对该曲线的函数进行最小化操作:在控制曲线弯曲、拉伸的内力以及亮度与梯度的图像特性的外力作用下,让曲线在图像中不断逼近目标轮廓,最终收敛到目标图像边缘轮廓。漏针带的最终识别准确率为98%。（4）根据现场生产需求的速度要求:120m/min,开幅精度需求:±3mm,完成系统构建所需硬件的选型,选用的相机为德国映美精工业相机DFK Z12GX236,运动控制部分的选用为:松下PLC FP-XH C60T与台达ASDA-B2系列伺服驱动器。系统的测试分为实验室软硬件测试与现场测试,实验室测试结果表明选型的结果均能满足生产需求,现场测试的结果为各类开幅引导线的最大开幅平均偏差为1.0mm,最大的偏移误差在1.5mm以下,且出现频率很低,能够满足预设的精度要求。系统的识别最大平均用时为86ms,能满足系统的速度要求。