本文为解决玻璃纤维管纱（奶瓶纱）人工检测质量不稳定的问题，提出了一种基于大稳定极值区域（MSER）和支持向量机（SVM）的玻璃纤维管纱毛羽检测方法。
解决方案
利用机器视觉技术对管纱毛羽疵点进行实时检测,通过多路相机采集管纱毛羽原始图像，根据其形态特征以及灰度对比信息，提出基于大稳定极值区域（MSER）的管纱毛羽分割方法，然后运用局部二值模式（LBP）算法获得管纱毛羽的轮廓点特征信息，后利用支持向量机（SVM）对毛羽进行疵点分类。
检测流程
1、实时采集管纱斜面毛羽与垂直面毛羽图像；
2、运用MSER算法分割疵点区域，根据检测区域点生成MSERs结果，提取管纱毛羽；
3、在空间上利用检测窗口将MSER检测结果图划分成多个小区域图像块，计算每个图像块内像素的LBP值，得到每个图像块的LBP直方图。将所有图像块的LBP统计直方图连接成为一个特征向量；
4、将LBP提取的特征向量输入到SVM中，进行分类器训练，利用训练好的分类器进行毛羽分类。
管纱毛羽区域分割
原始管纱图像存在少量噪声和深浅不一的管纱纹理，毛羽疵点区域与背景对比不明显，因此准确定位分割疵点有很大难度。
采用MSER算法对管纱不同类型毛羽的分割结果，分割后的毛羽形态完整。端毛羽形态一般表现为近直线且毛羽细长，采用MSER算法可增强端毛羽在原始图像中的显著性。进而在滤除管纱表面纹理和噪声的情况下，使端毛羽表现的更为突出。
毛圈作为另一种毛羽疵点，一般表现为半圆弧形，不论弧形的长短大小还是亮度不同的同一毛圈，都能够精准分割出毛圈。
毛夹作为不规则形态的毛羽疵点，是毛圈与端毛羽交织聚集而成。MSER算法在保证能够提取出聚集分布的端毛羽和毛圈区域的同时，又能提取出离散分布的小段端毛羽和毛圈，不会丢失细节信息。
管纱毛羽特征提取
选取900张处理后的图像作为训练样本，使用LBP算法对试验样本图像提取特征，将特征向量送入SVM 进行分类训练。训练完成后，对管纱毛羽图像进行分类测试。
管纱毛羽不仅影响机织、针织后加工的效率和质量，且直接影响终产品的外观和价格，基于LBP-SVM算法检测管纱表面整体的疵点，能够有效地对管纱毛羽疵点进行检测，准确率高。目前，端毛羽、毛圈、毛夹的分类准确率分别为94.7%、97.7%、98.6%。
