随着科学技术发展,自动化制造领域对于高精尖技术需求逐步提升。国家提出“中国制造2025”发展战略,要求以创新驱动作为核心,大力发展人工智能应用技术,以提升国家制造行业核心竞争力。基于机器视觉的智能检测技术在工业自动化制造中的定位检测、元件表面质量检测中具有重要且广泛的应用。机器视觉定位检测技术可以准确计算待测物体的位姿坐标信息,以实现物体自动定位引导、自动装配。而在物体表面缺陷检测中,由于传统的人工目视检测方法存在效率低下,主观性强,无法长时间连续工作等问题,结合光学成像及图像处理技术的机器视觉智能检测技术具有准确、高效、非接触无损伤、连续工作时间长等优点,是最为理想的元件表面检测方法。而在人工智能技术爆发式发展的时代中,机器视觉结合深度学习能够在传统的图像处理算法上进一步提升检测准确性,是当前机器视觉检测技术的重点发展方向。本论文针对机器视觉智能检测应用中的实际应用场景,重点研究相机模型、成像系统设计、物体特征提取、识别、匹配、分类算法等领域的关键技术。以物体视觉定位和元件表面缺陷检测为主要研究对象,并以实现整体检测系统实际应用为目标,开展机器视觉智能检测系统中关键检测方法和检测算法的研究。本文主要内容包括:针对定位检测对象特征信息集中于单个平面的场景,建立一套从成像获取、特征提取、定位计算及后续机械系统坐标引导的整体定位检测系统。建立以面阵相机及配套光源组成的成像系统,使用ORB进行特征提取,并获取其描述算子,提出基于空间约束与随机抽样一致性算法(Spatial constraints random sample and consensus,SCRSAC)结合进行特征匹配点对筛选,提升特征点对获取的准确性和鲁棒性,并基于PnP算法模型进行物体位姿计算,实现物体高精度定位。机器视觉定位技术关键在于定位模型的建立及成像系统基础上物体特征的定位提取及匹配算法。而对于物体表面缺陷检测,关键在于在成像系统如何获取清晰缺陷图像以及缺陷特征的分割提取及分类算法。在表面缺陷检测中主要针对会产生复杂背景图像的磨砂面玻璃为检测对象。与超光滑表面玻璃不同,磨砂玻璃表面的散射特性更加复杂,基于单一的暗场成像系统无法满足检测要求。因此本文建立一套基于同轴平行成像与明场成像结合的线阵扫描成像系统(Coaxial parallel and Bright-filed imaging system,CPBIS)。利用组合成像系统与线阵扫描相机结合获取高分辨率玻璃图像。分析了光学成像系统引入的畸变及由于光源非均匀性产生的背景非均匀图像,提出了基于统计背景估计的非均匀性校正方法,提升了图像背景的均匀性。针对具有复杂背景的玻璃表面缺陷图像,提出基于局部背景模型构建的缺陷分割算法,并基于邻域分布原则提出了邻近缺陷合并算法。针对传统机器学习算法对于缺陷分类的局限性,本文对于玻璃表面缺陷分类问题基于Inception和ResNet网络的思想,提出了 一种改进的平衡型残差网络结构(Modified Inception-Res-Net,MIRNet),降低网络深度的同时提升了网络的宽度,用于玻璃缺陷分类。并对检测过程中由陷提取获得的缺陷数据进行分类标记及样本增强,建立包含8种类型缺陷的17600幅图像的数据集,并利用该数据集进行实验验证。针对玻璃表面的弱划痕、浅异色及浅凹凸等微弱成像缺陷在利用传统算法较难分割的问题。研究并设计了基于对称型卷积神经网络(Symmetrical Net,SymNet)的缺陷分割算法,利用神经网络对于图像缺陷在各个维度进行特征提取,获得了比传统算法更优的微弱缺陷分割效果。并通过对检测过程中收集的缺陷数据进行像素级别的标记,得到超过3万幅包含缺陷和背景图像的数据集,并利用该数据集进行验证。通过实际应用场景对本文提出的基于机器视觉的定位系统及玻璃缺陷检测系统进行实验验证。并将系统应用于电动汽车电池定位应用中,实现1mm以内的定位误差,并配合机械系统完成电池自动换取功能。建立磨砂玻璃在线检测检测系统,利用光学成像系统获取高质量的缺陷图像,使用获取的图像对缺陷提取、分类及微弱缺陷分割进行验证,实现整体系统的在线检测功能。实现94.2%的缺陷Top-1分类精度,微弱缺陷的分割检测中实现95.3%的召回率以及91.8%的准确率。