在布匹的生產過程中，像布匹質量檢測這種有高度重復性和智能性的工作只能靠人工檢測來完成,在現代化流水線后面常常可看到很多的檢測工人來執行這道工序,給企業增加巨大的人工成本和管理成本的同時,卻仍然不能保證100 %的檢驗合格率(即“零缺陷”) 。對布匹質量的檢測是重復性勞動，容易出錯且效率低。 　　流水線進行自動化的改造，使布匹生產流水線變成快速、實時、準確、高效的流水線。在流水線上，所有布匹的顏色、及數量都要進行自動確認（以下簡稱“布匹檢測”）。現在采用機器視覺的自動識別技術完成以前由人工來完成的工作。在大批量的布匹檢測中，用人工檢查產品質量效率低且精度不高，用機器視覺檢測方法可以大大提高生產效率和生產的自動化程度。

　　一般布匹檢測（自動識別）先利用高清晰度、高速攝像鏡頭拍攝標準圖像，在此基礎上設定一定標準；然后拍攝被檢測的圖像，再將兩者進行對比。但是在布匹質量檢測工程中要復雜一些： 　　1． 圖像的內容不是單一的圖像，每塊被測區域存在的雜質的數量、大小、顏色、位置不一定一致。 　　2． 雜質的形狀難以事先確定。 　　3． 由于布匹快速運動對光線產生反射，圖像中可能會存在大量的噪聲。 　　4． 在流水線上，對布匹進行檢測，有實時性的要求。 　　由于上述原因，圖像識別處理時應采取相應的算法，提取雜質的特征，進行模式識別，實現智能分析。

　　一般而言，從彩色CCD相機中獲取的圖像都是RGB圖像。也就是說每一個像素都由紅(R)綠(G)籃(B)三個成分組成，來表示RGB色彩空間中的一個點。問題在于這些色差不同于人眼的感覺。即使很小的噪聲也會改變顏色空間中的位置。所以無論我們人眼感覺有多么的近似，在顏色空間中也不盡相同。基于上述原因，我們需要將RGB像素轉換成為另一種顏色空間CIELAB。目的就是使我們人眼的感覺盡可能的與顏色空間中的色差相近。

　　根據上面得到的處理圖像，根據需求，在純色背景下檢測雜質色斑，并且要計算出色斑的面積,以確定是否在檢測范圍之內。因此圖像處理軟件要具有分離目標，檢測目標，并且計算出其面積的功能。 　　Blob分析(Blob Analysis)是對圖像中相同像素的連通域進行分析，該連通域稱為Blob。經二值化(Binary Thresholding)處理后的圖像中色斑可認為是blob。Blob分析工具可以從背景中分離出目標，并可計算出目標的數量、位置、形狀、方向和大小，還可以提供相關斑點間的拓撲結構。在處理過程中不是采用單個的像素逐一分析，而是對圖形的行進行操作。圖像的每一行都用游程長度編碼器(RLE)來表示相鄰的目標范圍。這種算法與基于象素的算法相比，大大提高處理速度。