本文為解決玻璃纖維管紗（奶瓶紗）人工檢測質量不穩定的問題，提出了一種基于最大穩定極值區域（MSER）和支持向量機（SVM）的玻璃纖維管紗毛羽檢測方法。
解決方案
利用機器視覺技術對管紗毛羽疵點進行實時檢測,通過多路相機采集管紗毛羽原始圖像，根據其形態特征以及灰度對比信息，提出基于最大穩定極值區域（MSER）的管紗毛羽分割方法，然后運用局部二值模式（LBP）算法獲得管紗毛羽的輪廓點特征信息，最后利用支持向量機（SVM）對毛羽進行疵點分類。
檢測流程
1、實時采集管紗斜面毛羽與垂直面毛羽圖像；
2、運用MSER算法分割疵點區域，根據檢測區域點生成MSERs結果，提取管紗毛羽；
3、在空間上利用檢測窗口將MSER檢測結果圖劃分成多個小區域圖像塊，計算每個圖像塊內像素的LBP值，得到每個圖像塊的LBP直方圖。將所有圖像塊的LBP統計直方圖連接成為一個特征向量；
4、將LBP提取的特征向量輸入到SVM中，進行分類器訓練，利用訓練好的分類器進行毛羽分類。
管紗毛羽區域分割
原始管紗圖像存在少量噪聲和深淺不一的管紗紋理，毛羽疵點區域與背景對比不明顯，因此準確定位分割疵點有很大難度。
采用MSER算法對管紗不同類型毛羽的分割結果，分割后的毛羽形態完整。端毛羽形態一般表現為近直線且毛羽細長，采用MSER算法可增強端毛羽在原始圖像中的顯著性。進而在濾除管紗表面紋理和噪聲的情況下，使端毛羽表現的更為突出。
毛圈作為另一種毛羽疵點，一般表現為半圓弧形，不論弧形的長短大小還是亮度不同的同一毛圈，都能夠精準分割出毛圈。
毛夾作為不規則形態的毛羽疵點，是毛圈與端毛羽交織聚集而成。MSER算法在保證能夠提取出聚集分布的端毛羽和毛圈區域的同時，又能提取出離散分布的小段端毛羽和毛圈，不會丟失細節信息。
管紗毛羽特征提取
選取900張處理后的圖像作為訓練樣本，使用LBP算法對試驗樣本圖像提取特征，將特征向量送入SVM 進行分類訓練。訓練完成后，對管紗毛羽圖像進行分類測試。
管紗毛羽不僅影響機織、針織后加工的效率和質量，且直接影響最終產品的外觀和價格，基于LBP-SVM算法檢測管紗表面整體的疵點，能夠有效地對管紗毛羽疵點進行檢測，準確率高。目前，端毛羽、毛圈、毛夾的分類準確率分別為94.7%、97.7%、98.6%。