本文研究自动验布系统的核心技术，即对采集到的织物图像进行提取特征值及疵点分类，在织物疵点识别中，一个很大的难点就是织物的种类繁多，表面特征各异，很难建立一个统一的识别模型。为了解决这个问题，本文创新采用双层神经网络的织物疵点识别技术，可以先对正常的布面进行特征提取，利用第一层神经网络来区分正常和疵点图像，利用离散小波变换对疵点图像进行特征提取，并去除本身布面特征，再利用已训练的BP网络模型进行具体疵点分类。这种方法最大创新之处有三点： 一、正常布面的识别与疵点的分类分开。对于坯布来说，其布面绝大多数是正常的，如果把正常布面和疵点一起分类，必然要提取较多的信息量，还要进行如小波变换这样复杂的运算，速度会变慢，而且准确性会降低。若只进行正常布面与疵点的区分，则只需提取很少的信息量，不需要进行复杂的运算，可以适应高速验布的要求。 二、去除布面对疵点分类的影响。要实现自动验布最重要的一点就是要建立一个已充分训练，可以对各种疵点进行分类的神经网络模型。其困难在于布面组织繁多，在不同的组织下提取的疵点特征也是差异极大的，因为要受到组织纹理的影响。文中通过计算疵点相对于正常布面的变异程度来去除组织纹理的影响，从而找到各种不同组织疵点的相似性，来建立统一的疵点分类模型。 三、重点明确的特征值。在以往的研究中很多是选取整个图像的均值或方差作为特征值，这样值的变异情况往往不明显，影响了识别的准确性。研究发现，疵点大部分是发生在一根或少数几根纱线上的，在图像上的反映是灰度值的变异只发生在相邻的较少的几行或几列中。故文中选取其变异最大的几行或几列作为输入特征值。 利用该织物疵点自动识别技术对三种基本组织，平纹、斜纹、缎纹的常见疵点包括断经、断纬、纬缩、油污、异纤、竹节、稀密路进行识别，试验证明该技术是有效的，基本符合自动验布系统的要求。