对质量要求较高的产品,其表面的特征也有严格的要求。但由于原料或者后续的加工处理不当,会使产品表面产生缺陷,这不仅影响产品的外在美观,甚至可能降低其质量。羽毛球成品的好坏很大程度上取决于羽毛片的质量,而羽毛叶上的缺陷又是影响羽毛片质量的一大重要因素。在实际生产中,羽毛叶的表面缺陷检测是一个必不可少的环节。因此本文以羽毛片为研究对象,结合机器视觉技术来实现羽毛片毛叶表面缺陷的检测与识别分类,具有重要的理论实际应用价值和经济效益。羽毛叶上的缺陷主要表现为污渍、虫蛀、局部淡黄等,将这几种毛叶缺陷准确分类将能很大程度上提高羽毛片的分拣质量。本文在羽毛片图像自动采集平台的基础上,着重研究了针对采集装置造成的羽毛片光照不均图像增强方法,并且对羽毛片图像进行预处理与缺陷分割,最后在此基础上完成对缺陷的特征提取与识别分类。本文主要工作与创新点如下：1.对羽毛片所处的光照环境进行了分析,建立了图像采集时羽毛的光照数学模型,并得出理论上羽毛在光源照射下的亮度分布曲线,并根据此提出羽毛片光线校正的方法与计算表达式。2.分析羽毛片图像的亮度分布特征,提出一种基于改进的均值漂移区域分割方法,显化了毛叶与毛杆的差异性,突出毛杆的颜色特征,并结合区域合并与阈值分割最终实现对羽毛杆的分割提取。3.改进传统CV水平集模型分割算法,提出了融入全局梯度信息以及目标的先验知识的快速CV水平集算法,该算法能够快速的完成收敛,很好的分别出背景图像复杂灰度包含多个等级分层的目标区域轮廓,且具有良好的适应性。实验表明此方法用于毛叶缺陷分割结果准确、速度较快。4.提取缺陷的几何特征参数,并且加入颜色特征,共同组成特征向量用于缺陷的分类与判定,结合这两种特征描述以提高识别的准确率。本文通过Matlab和VC6.0软件实现了上述算法和方法,并对各方法进行了仿真分析与实验,具有良好的效果。最后对缺陷图像进行分类判定实验,取得良好的识别效果,具有一定的实用价值。