无纺布广泛应用于环保、建筑、医疗等行业,近年来随着人力成本的不断攀升,无纺布相关自动化设备需求量也逐渐提升。当前无纺布的质量检测环节仍大都依靠人工验布来完成,该方式由于主观性因素太强,且长时间验布会使验布工人产生视觉疲劳,因此造成验布准确率低下,从而影响无纺布品质。针对实际应用场景下缺陷样本获取代价大的情形,本文提出了一种针对无纺布缺陷的无监督异常检测系统:首先对采集到的无纺布图像预处理,并从多个方向提取有效纹理特征并融合,仅需使用几张正常样本对One Class SVM进行训练,即可分类出缺陷区域。针对误检率较高的情形,用平衡与全局差异较大的局部块权重的方式对OCSVM进行改进,提高了准确率并具有实时性。论文主要工作如下:1)对无纺布缺陷系统的搭建方式进行了探究,根据工业现场的应用要求,本文设计了一套能实时采集无纺布图像的视觉系统,根据大视野、连续性检测需求,本文采用工业高亮条形光源从无纺布背面打光,搭配工业线阵相机采集。实验结果表明搭建的视觉系统能满足实际无纺布工业现场的缺陷检测需求。2)对获取的图像去噪,并用多种纹理特征提取方法对无纺布缺陷的表征效果进行了比较和分析,最终用多个方向的纹理滤波对无纺布缺陷提取了有效的边缘和纹理特征并进行融合,作为特征向量,为后文的检测奠定基础。3)提出了一种基于改进型One Class SVM的无监督缺陷检测的方法,通过设计和优化针对无纺布缺陷检测的OCSVM模型,将正常数据样本特征向量映射到特征空间,训练OCSVM,为正常数据点寻找边界,使其能分类出缺陷区域。并对训练数据进行预处理,压缩模型,针对正常区域误检多,通过对与全局水平差异大的局部块改变权重的方式改进OCSVM,提高了准确率并具有实时性。4)开发了基于C#语言的无纺布验布软件,其中包含诸多相机相关参数模块、检测模块和查询模块,以及对软件交互界面的设计,软件操作简便,且功能可满足工业现场使用要求。实验结果显示,本文提出的算法在实际应用中准确率达95.4%,实时检测速度可达30m/min,且可适应不同克重无纺布的检测。