基于特征提取和图像分类的螺旋网疵点自动检测.pdf

第 32 卷 第 1 期2024 年 1 月现代纺织技术Advanced Textile TechnologyVol.32,No.1Jan.2024DOI:10.19398j.att.202302029基于特征提取和图像分类的螺旋网疵点自动检测王博润,张 宁,卢雨正(江南大学生态纺织教育部重点实验室,江苏无锡 214122)摘 要:为了解决当前螺旋网人工疵点检测效率低、误检率高等问题,提出了一种基于分类思想的螺旋网疵点检测方法。对螺旋网图像提取多模式多尺度的 LBP 特征,充分表征螺旋网图像的信息,通过构建支持向量机(Support vector machine,SVM)分类器实现螺旋网疵点自动检测。结果表明:对于螺旋网疵点图像的局部二值模式(Local binary pattern,LBP)特征,采样半径为 2,采样点个数为 8 时的均匀模式 LBP 的分类准确率优于其他模式和尺度的 LBP,达到了 100%,检测速度为 0.48 s张。通过对比不同的特征提取方法和分类器,验证了该文方法对于螺旋网疵点自动检测的适用性,可以实现纺织企业中螺旋网的自动化检测。关键词:高分子滤网;机器视觉;疵点检测;局部二值模式;支持向量机中图分类号:TS101.9 文献标志码:A 文章编号:1009-265X(2024)01-0036-09收稿日期:20230221 网络出版日期:20230413基金项目:中央高校基本科研业务费专项资金资助项目(JUSRP123001)作者简介:王博润(1998),男,河南三门峡人,硕士研究生,主要从事图像处理方面的研究。通信作者:卢雨正,E-mail:dongLu 螺旋网是一种具有特殊结构的过滤用干网,由聚酯、聚酰胺、聚乙烯等高分子单丝经过绕环装置形成类似弹簧结构的左、右异向螺旋环线,通过左、右螺旋环线反复啮合并在交叠部分插入联接芯丝后形成网片,随后依次通过热定型、插芯、裁切、封边涂胶等后续工序,最终形成螺旋网1。过滤用纺织品是产业用纺织品的重要组成部分,其通过传统织造、非织造及现代复合技术加工而成,被广泛应用于各种行业。与传统过滤用纺织品相比,螺旋网空隙结构特殊,截留精度高,网面平整度高,拼接自由,结构强度大,使用寿命长,抗腐蚀性能强,可以实现各种场景的固液分离2,被广泛应用于环保、造纸、煤矿、食品、医药等领域。螺旋网疵点主要分为破洞、芯丝缺失和错环 3 类,其大部分生产流程虽都已经实现自动化生产,但质检环节仍然依赖于人工检测,人工检测存在着诸如主观性强、成本高、效率低、劳动强度大、伤害视力等缺点,无法保证检测精度和准确率。人工检测的速度和准确率已不能满足螺旋网生产的要求3,运用机器视觉实现螺旋网疵点检测的自动化变得尤为重要。目前基于机器视觉的疵点检测技术在纺织及其他工业领域都较为成熟,刘启浪等4通过提取带钢表面缺陷图像的多尺度 LBP 及 LBP 联合特征,利用SVM 进行分类,发现对于带钢表面缺陷图像的 LBP特征,两种尺度联合特征分类准确率高于单一尺度特征,证明了 LBP 具有良好的鲁棒性和抗噪性。刘秀平等5提出一种基于 LBP 与低秩稀疏矩阵分解的网状织物纹理缺陷检测方法,该方法分类总正确率达到 92%以上。Qin 等6提出了一种基于剩余能量分布和 Gabor 特征融合的织物疵点检测新算法,利用信噪比指标和遗传算法对参数进行了优化,该算法优于目前最先进的缺陷检测算法。周静等7提出一种基于最小生成树和图像矩的缺陷检测算法,该算法对于检测陶瓷过滤器的裂缝、堵孔缺陷的准确率达到了 95%以上。Chen 等8提出了一种快速导向滤波融合塔式方向梯度直方图(Pyramid histogram of oriented gradients,PHOG)与快速鲁棒性词袋特征(BOW-SURF)融合的算法,对于接触网绝缘子缺陷的检测精度达到了 100%。螺旋网是由一定基元按照固定规律排列组合而成,区别于传统织物和普通滤网,其颜色单一,纹理周期性强,具有特殊的空隙结构,相比于传统织物其背景纹理显著,相比于普通滤网其纹理更为复杂。对螺旋网疵点进行精确识别,需同时实现对螺旋网背景纹理的抑制和纹理特征的有效提取,上述疵点检测方法在螺旋网上有待考究。基于螺旋网图像的特点,本文提出了一种基于 LBP 特征和 SVM 分类器的螺旋网疵点自动检测方法。通过提取多模式多尺度的 LBP 特征,表征螺旋网的局部特征信息,区分局部破损和异常的有疵图像和无疵图像。在样本量较小的情况下,利用 SVM 分类器对小样本、高维度、非线性的数据进行有效学习和分类的能力,实现有疵和无疵图像的自动检测。1 图像采集与系统搭建本文提出的图像采集设备主要要求:在实验中简单易行,采集环境稳定,光照统一,高清晰度,低噪声。结合实验室现有仪器,所组成机器视觉系统如图 1 所示,包括光源控制器、LED 面光源、工业相机、计算机。实验采用大恒水星 MER-132-30GC面阵工业数字相机、鹰视 L100-100-20 面光源和鹰视 ACS24V-1L 光源控制器对螺旋网图像进行采集。其中工业相机分辨率为 400 dpi,面光源最大额定最大功率为 40 W,螺旋网置于面光源上方,通过光源控制器对光源亮度进行无级调节,提高螺旋网与背景的对比,便于图像处理时螺旋网边缘和细节的提取。本文硬件环境为:Intel(R)Core(TM)i5-8300H CPU,主频为 2.30 GH,内存 16 GB;在螺旋网数据集上进行实验。螺旋网由于颜色和纹理单一、幅宽较长,肉眼难以精确识别各类疵点,这也导致了人工检测疵点的误检率高、效率低下,需构建在线疵点检测系统以满足纺织企业中螺旋网的工业生产需求,但本文主要为验证算法,实验环境为静态检测。借助该疵点检测系统,共采集无疵点网面图像 225 张,其纹理重复单一,周期性强;芯丝缺失类疵点图像 83 张,芯丝为单列或多列缺失;破洞类疵点图像 93 张,具有不规则的纹理;错环类疵点图像 15 张,错环处纹理发生不明显变化,面积较小,较难识别;所构建数据集共包含 416 张图像,有疵和无疵图像比例基本达到1 1,训练集和测试集比例为 4 1。采集到图像实例如图 2 所示。图 1 螺旋网疵点检测系统Fig.1 Spiral mesh defect detection system图 2 图像采集实例Fig.2 Examples of image acquisition2 螺旋网 LBP 特征与提取图像特征是指能够反应不同图像特点和特性的集合,根据像素分布情况通过计算处理得到,图像特征多以数据的形式表现出来。含有疵点的螺旋网图像与不含疵点的螺旋网图像存在特征差异,根据纹理特点选择合适的特征是疵点检测的关键。LBP是 Ojala 等9提出的一种描述图像纹理特征的算73第 1 期王博润 等:基于特征提取和图像分类的螺旋网疵点自动检测子,LBP 特征具有对光照变化不敏感、计算简单、旋转不变等优点,在多种领域得到广泛应用。目前常用的算子包括基础 LBP 算子、圆形 LBP 算子、旋转不变 LBP 算子、均匀模式 LBP 算子和旋转不变性均匀模式 LBP 算子。2.1 圆形 LBP 算子Ojala 等10使用圆形邻域的像素值插值允许在邻域中任意半径和数目的像素点,实现了不同尺度纹理特征的提取。其原理如式(1)所示:LBPP,R=P-1i=0s(gp-gc)2i,(i=0,1,P-1)(1)其中:P 为领域采样点个数,R 为邻域采样半径,gc为像素中心点灰度,gp为领域像素点灰度。s(x)1,x 00,x 0,i=1,2,n(10)93第 1 期王博润 等:基于特征提取和图像分类的螺旋网疵点自动检测其中线性核函数只用于线性可分情况;高斯核函数是使用最为广泛的核函数,通过调整参数可以适用于任意分布的样本,将非线性的多维样本映射到高维空间中,核值可以在有效范围内改变,同时避免空间复杂度过高,而且其相较于多项式核函数和Sigmoid 核函数,其参数少,决策边界多样13,为得到理想的螺旋网疵点图像分类准确率,本文采用高斯核函数,其原理如式(11)所示。k(x,x)=exp-x-x222(11)式中:x-x 表示空间中任一点 x 和某一中心 x之间的欧氏距离,为数据在特征空间的分布方式。引入拉格朗日乘子i 0,yi 0对核函数计算后,转化为式(12)。L(,b,a)=122+i(1-yi(Txi+b)(12)经过高斯核函数处理后,根据式(13)即可求解超平面最短间隔,从而求得螺旋网有疵和无疵图像的最优解。maxani=1aiyi-12ni=1ni=0aiajyiyjf(xTi)f(xj)s.t.ni=0aiyi=0,i=1,2,0 c(13)式中:f(x)为高斯核函数。3.2 基于 SVM 的检测方案基于所构建的数据集,将无疵点网面图像标记为 0,将有疵点网面图像标记为 1。基础 LBP 和圆形 LBP 特征存在向量维度过高的问题,不利于螺旋网纹理信息的描述;改进 LBP 可以在保留像素变化剧烈的高频纹理信息的同时降低特征维度,采样点个数为 P 时,非均匀模式 LBP 其特征维度为 2P,均匀模式 LBP 特征维度为 2+P(P-1),旋转不变性均匀模式 LBP 算子特征维度仅为 P+1。LBP 特征向量的维度越小,运算速度越快,所包含的纹理信息越少。为保证分类器的准确率,将通过 5 种不同 LBP算子所提取到的特征向量输入分类器中进行学习,实现螺旋网有疵点网面图像的分类检测。按照 4 1的比例构造训练集和测试集,即训练集包含 333 张螺旋网图像,测试集包含 83 张螺旋网图像。同时使用网格搜索和 5 折交叉验证,对 SVM 的超参数进行调优。检测流程如图 6 所示。图 6 实验流程Fig.6 Flow chart of experiment4 结果与分析为了验证本文算法对螺旋网疵点检测的有效性和可行性,实验采用 Python 编程语言实现。所采集到螺旋网图像物理尺寸为 8.20 cm6.12 cm,图像大小为 1292964 像素,本节将从参数优选、检测结果和方法对比 3 个方面对实验结果进行分析。4.1 参数优选在对螺旋网提取 LBP 特征时,为避免螺旋网LBP 特征维度过高,优先考虑三类改进 LBP 算子;由于螺旋网背景纹理性强,较难抑制,特征维度过低时对螺旋网纹理信息的描述可能不足,故在确定参数时采用特征维度较低且纹理描述较为全面的均匀模式 LBP 算子。随着采样半径和采样点个数的增加,对螺旋网纹理信息的描述会更加详细,但也会使计算量增大,降低运算速度,且直方图过于稀疏,不利于分类器分类。本文采用(1,8),(2,8)和(1,12)这 3 个尺度的 LBP 特征进行实验。对于 SVM 分类器,采用高斯核时,C 和核半径()选择对 SVM 性能产生较大的影响,C 过大会使模型泛化能力差,导致过拟合,C 过小容易会使分类效果不佳,导致欠拟合;值越小单个训练样本影响越大。本文经过多次试验探究,预设惩罚系数 C 范围为 0.0120,默认值为特征数目的倒数,范围为默认值至0.1,通过网格搜索的方式对于预设的 C和 组合训练模型,每组超参数都采用 5 折交叉验04现代纺织技术第 32 卷证进行评估,获得最佳参数。由图 7 可知,SVM 分类器的参数 C=10,为默认值 1243 时,分类准确率最高为 100%。图 7 SVM 参数调优Fig.7 SVM parameter tuning4.2 检测结果分别提取多尺度下圆形 LBP,旋转不变 LBPri,均匀模式 LBPu2和旋转不变性均匀模式 LBPriu2的统计直方图作为特征向量,对螺旋网图像的LBP 特征参数进行优选,采用 SVM 分别对 LBP特征进行评估。其中 SVM 通过迭代实现对模型的训练和优化,迭代是不断通过变量旧值递推新值的过程,从而获得全局最优解,SVM 训练过程如 图 8 所示。图 8 SVM 训练过程Fig.8 SVM training process通过观察和分析图 8 可知,SVM 在迭代至第227 次时,达到最优分类准确率。基于 LBP 特征和 SVM 分类器实现螺旋网疵点图像分类的结果如表 1 所示。表 1 基于 LBP 特征螺旋网图像分类结果Tab.1 Spiral mesh image classification results based on LBP features特征分类准确率%运行速度(s 张-1)LBP(8,1)98.10.27LBPri(8,1)88.60.36LBPu2(8,1)99.20.30LBPriu2(8,1)89.20.29LBP(8,2)89.16.03LBPri(8,2)80.37.88LBPu2(8,2)100.00.48LBPriu2(8,2)84.40.58LBP(12,1)91.40.58LBPri(12,1)80.10.73LBPu2(12,1)98.00.37LBPriu2(12,1)90.30.44通过观察和分析表 1,在对螺旋网图像提取均匀模式 LBPu2特征时,(8,2)尺度的分类准确率达到了 100%。疵点通常属于局部的破损和异常,局部纹理的周期性遭到破坏,LBP 对于局部特征比较敏感,可以对有疵和无疵区域进行有效区分,LBP采样半径会影响特征的精细程度,采样点个数影响运算时间,(8,2)尺度的分类准确率高于(8,1)和(12,1)尺度,因此(8,2)尺度均匀模式 LBPu2算子在保证运算速度的同时更能有效地描述螺旋网特征。相较于非均匀模式 LBP,运行速度得到明显提升,达到 0.48 s张。此时 LBP 特征数目为 243,故此处取到=1243。4.3 方法对比4.3.1 特征对比为了验证 LBP 特征在螺旋网上的优越性和实验结果准确性,同时提取了螺旋网图像的其他五个常用的特征作为对比14,这 5 个特征分别是:灰度共生矩阵(Gray level co-occurrence matrix,GLCM)15,灰度差分统计(Gray-scale difference statistics,GDS)16,小波分析(Wavelets)17,方向梯度直方图(Histogram of 14第 1 期王博润 等:基于特征提取和图像分类的螺旋网疵点自动检测oriented gradient,HOG)18和塔式方向梯度直方图(PHOG)19。其中,小波分析特征是通过提取经小波滤波后螺旋网图像的一维信息熵作为特征向量;由于本实验采集到的图像大小为 1292964 像素,则所提取到的 HOG 特征维度达到了 40716,为了避免维度灾难,采用主成分分析(Principal component analysis,PCA)对所提取到的 HOG 特征进行降维18。基于该五个特征的螺旋网疵点图像的分类结果如表 2 所示。表 2 基于其他特征螺旋网图像分类结果Tab.2 Spiral mesh image classification results based on other features特征分类准确率%运行速度(s 张-1)LBPu2(8,2)100.00.48GLCM96.90.04GDS94.20.14Wavelets89.20.51HOG-PCA78.70.15PHOG93.62.42通过对表 2 进行分析,螺旋网图像提取 LBPu2(8,2)特征的运行速度虽不及 GLCM、GDS、HOG-PCA 特征,但分类准确率高于这 5 个常用特征,即LBPu2(8,2)最能有效全面地描述螺旋网图像的纹理信息,验证了 LBP 特征具有良好的鲁棒性。4.3.2 分类器对比采用最邻近结点算法(K-NN)作为对比的分类器,使用本文所优选的(8,2)尺度的均匀模式LBP 特征进行分类,预设 K-NN 近邻数 k 为 1-10,同时使用 5 折交叉验证寻找最优的参数 k,分类结果分别如表 3 所示。表 3 基于不同分类器的螺旋网图像分类结果Tab.3 Spiral mesh image classification results based on different classifiers分类器分类器参数最优准确率%检测速度(s 张-1)SVMC=10,=1243100.00.47K-NNk=798.60.60由表 3 可知,SVM 最优分类准确率为 100%,检测速度为 0.47 s张;K-NN 分类器的最优分类准确率为 98.6%,检测速度为 0.60 s张。本文数据集仅包含 416 张螺旋网图像,SVM 和 K-NN 分类器的分类准确率相差较小,但随着实际生产中螺旋网数量的增多,准确率的差异会随之增大,这就需要螺旋网疵点检测算法有良好的稳定性和检测速度,而 SVM分类器的准确率和速度都优于 K-NN 分类器,人工检测受主观因素和疲劳的影响,误检率高,检测速度慢。因此为保证螺旋网实际生产效率,本文采用分类效果更好的 SVM 分类器。5 结 论为了解决了现阶段人工检测螺旋网疵点误检率高、效率低和成本高等问题,本文基于分类思想,提出了一种适用于螺旋网疵点检测的算法。研究发现最适合螺旋网疵点检测的特征是采样点个数为 8,采样半径为 2 的均匀模式 LBP 算子;SVM 最优参数为 C=10,=1243。实验结果显示对螺旋网有疵和无疵图像的分类准确率达到 100%,验证了 LBP 算子具有良好的鲁棒性,平均分类速度达到 0.48 s张,验证了文本所提方法的有效性和高效性。通过对比不同的特征和分类器,验证了本文方法对于螺旋网疵点检测的适用性。本文所采集到螺旋网疵点图像的样本量较少,后续将在此基础上继续增加样本数量,建立更加稳定的螺旋网疵点检测系统。参考文献:1 王国东.造纸用干网的设计J.中华纸业,2017,38(20):57-61.WANG Guodong.Design of paper-making dryer fabricJ.China Pulp&Paper Industry,2017,38(20):57-61.2 都丽红,朱企新,王士勇.精密单丝滤布透水速率与截留精度的研究J.化学工程,2010,38(8):44-47,77DU Lihong,ZHU Qixin,WANG Shiyong.Permeate flow rate and particle retention rate of precision monofilament filter clothJ.Chemical Engineering,2010,38(8):44-47,77.3 LI SHAOBO,YANG JING,WANG ZHENG,et al.Review of development and application ofdefect detection technologyJ.Acta Automatica Sinica,2020,46(11):2319-2336.4 刘启浪,汤勃,孔建益,等.基于多尺度 LBP 特征的带钢表面缺陷图像 SVM 分类J.组合机床与自动化加工技术,2020(12):27-30LIU Qilang,TANG Bo,KONG Jianyi,et al.SVM Classification of surface defect images of strip based on 24现代纺织技术第 32 卷multi-scale LBP features J.Modular Machine Tool&Automatic Manufacturing Technique,2020(12):27-30.5 刘秀平,冯奇,袁皓,等.LBP 与低秩分解的网状织物纹理缺陷检测方法J.电子测量与仪器学报,2021,35(1):135-141.LIU Xiuping,FENG Qi,YUAN Hao,et al.Defect detection of mesh fabric with LBP and low-rank decom-position J.Journal of Electronic Measurement and Instrumentation,2021,35(1):135-141.6 QIN W N,WEN H R,LI F.Fabric defect detection algorithm based on residual energy distribution and Gabor feature fusionJ.The Visual Computer,2022:1-15.7 周静,刘旭,董子昊,等.基于最小生成树和图像矩的陶瓷过滤器表面缺陷检测J.济南大学学报(自然科学版),2022,36(4):433-439,451.ZHOU Jing,LIU Xu,DONG Zihao,et al.Surface defect detection of veramic filters based on minimum spanning tree and image moments J.Journal of University of Jinan(Science&Technology),2022,36(4):433-439,451.8 CHEN G C,GU G M,YU X N,et al.Method for defect detection of vatenary insulators by combining the features of PHOG and BOW-SURFJ.Journal of Chinese Computer Systems,2021,42(1):172-177.9 OJALA T,PIETIKINEN M,HARWOOD D.A compa-rative study of texture measures with classification based on featured distributionsJ.Pattern Recognition,1996,29(1):51-59.10 OJALA T,PIETIKAINEN M,MAENPAA T.Multiresolution gray-scale and rotation invariant texture classification with local binary patternsJ.IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(7):971-987.11 BEN SALEM Y,NASRI S.Automatic recognition of woven fabrics based on texture and using SVMJ.Signal Image and Video Processing,2010,4(4):429-434.12 ANAMI B S,ELEMMI M C.Comparative analysis of SVM and ANN classifiers for defective and non-defective fabric images classification J.The Journal of the Textile Institute,2022,113(6):1072-1082.13 王孟涛,李岳阳,杜帅.基于机器视觉的疵点检测方法的研究进展J.现代纺织技术,2019,27(5):57-61.WANG Mengtao,LI Yueyang,DU Shuai.Research progress of defect detection method based on machine visionJ.Advanced Textile Technology,2019,27(5):57-61.14 WANG W J.Approach for kernel selection from SVM ensemble J.Computer Engineering and Application,2009,45(27):31-33,55.15 张宁,潘如如,高卫东.采用图像处理的织物缝纫平整度自动评估J.纺织学报,2017,38(4):145-150.ZHANG Ning,PAN Ruru,GAO Weidong.Automatic seam-puckering evaluation using image processing J.Journal of Textile Research,2017,38(4):145-150.16 岳鹏飞,晏永飞,王楠.非接触式带钢表面缺陷检测纹理方向特征分析J.辽宁石油化工大学学报,2018,38(4):82-86.YUE Pengfei,YAN Yongfei,WANG Nan.Analysis of texture direction feature on non-contact strip surface defectsJ.Journal of Liaoning Petrochemical University,2018,38(4):82-86.17 吴军.织物表面疵点自动检测方法研究J.现代纺织技术,2020,28(1):47-51.WU Jun.Research on auto inspection method for fabric defectJ.Advanced Textile Technology,2020,28(1):47-51.18 李林,吴跃,叶茂.一种基于 HOG-PCA 的高效图像分类方法J.计算机应用研究,2013,30(11):3476-3479.LI Lin,WU Yue,YE Mao.Effective image classification method based on HOG-PCAJ.Application Research of Computers,2013,30(11):3476-3479.19 陈愉.基于机器学习的布匹疵点检测算法研究D.金华:浙江师范大学,2019.CHEN Yu.Research on Fabric Detection Method Based on Machine Learning D.Jinhua:Zhejiang Normal University,2019.34第 1 期王博润 等:基于特征提取和图像分类的螺旋网疵点自动检测Automatic detection of spiral mesh defects based on feature extraction and image classificationWANG Borun,ZHANG Ning,LU Yuzheng(Key Laboratory of Science&Technology of Eco-Textile,Jiangnan University,Wuxi 214122,China)Abstract:The spiral mesh is a kind of polymer filter which is formed by polyester polyamide polyethylene and other polymer monofilaments through the winding device to form a left and right opposite spiral ring line similar to the spring structure.Through the left and right spiral ring lines the mesh is formed by repeatedly meshing and inserting the connecting core wire in the overlapping part and then the spiral mesh is finally formed by the subsequent processes such as heat setting core insertion cutting edge sealing and gluing.It has special void structure high interception precision high mesh flatness free splicing high structural strength long service life and strong corrosion resistance and can realize solid-liquid separation in various scenarios.It is widely used in environmental protection papermaking coal mine food medicine and other fields.Spiral mesh defects are mainly divided into three categories holes missing core wires and staggered rings.Although most of its production processes have been automated the final quality inspection process still depends on manual inspection.However manual detection has shortcomings such as strong subjectivity high cost low efficiency high labor intensity and damage to vision which cannot guarantee the detection precision and accuracy.The speed and accuracy of manual detection can no longer meet the requirements of spiral mesh production.It is particularly important to use machine vision to realize the automation of spiral mesh defect detection.In order to solve the problems of low efficiency and high false detection rate of spiral network manual defect detection we proposed a method of spiral network defect detection based on classification.By extracting multi-mode and multi-scale LBP features the information of spiral network image was fully characterized.Based on the classification idea in the case of small sample size the SVM classifier was used to effectively learn and classify the small sample high-dimensional and non-linear data and to distinguish the local damaged and abnormal defective images and defect-free images to realize the automatic detection of spiral mesh defects.By building an image acquisition device we collected the defective and non-defective images of the spiral mesh and verified the proposed method.By extracting the texture features of the spiral mesh we discussed the classification effects of LBP features of different modes and scales and other features on SVM and K-NN classifiers.It is found that the most suitable feature for spiral mesh defect detection is the uniform mode LBP operator with eight sampling points and two sampling radius and the optimal classifier is SVM.The effectiveness of the proposed method was verified by collecting images to establish a data set.The experimental results show that the classification accuracy of the spiral network with and without defects reaches 100%which verifies that the LBP operator has good anti-noise and robustness.The average classification speed is 0.48 ssheet.This paper proposes a comprehensive and efficient spiral network defect detection algorithm which has certain practical significance for the spiral network industry.The sample size of the spiral network defect images collected in this paper is small.On this basis the number of samples will be further increased to establish a more stable spiral network defect detection system.Keywords:polymer filter machine vision defect detection local binary pattern support vector machine44现代纺织技术第 32 卷