再制造是发展循环经济,实现资源节约和环境友好的有效途径。然而由于实际废旧零部件损伤的多样性、随机性和复杂性,使得再制造毛坯的检测与评估的准确性和可靠性成为制约再制造生产过程的关键问题之一。本课题以具有不同损伤特征的废旧刹车盘为研究对象,围绕基于机器视觉算法的表面缺陷实时检测与分类的关键问题,开展了以下工作:首先,针对传统的人工检测速度慢、主观性强、可重复性差、无法提供持续一致性检测的现状,提出了一种基于机器视觉的再制造毛坯缺陷检测平台,设计了系统的机械结构、电气控制系统和缺陷图像采集方案,从而提高刹车盘缺陷检测的速度和可靠性。其次,应用机器视觉对刹车盘缺陷进行特征提取和识别。为提高检测速率,对刹车盘原图进行定位、裁剪、提取,从而减小数据量。接着对图像使用中值滤波降噪处理,并使用直方图均衡化方法实现了图像增强。为了提取缺陷的特征区域,使用OTSU法和迭代法对图像进行阈值分割,经过数据分析后选择速度更快的OTSU法。然后运用八邻域标记法,得到缺陷连通域,计算缺陷连通域中缺陷像素个数实现等级分类。实验结果表明,可以有效地将Ⅱ级缺陷类型进行识别。再次,结合本文的Ⅱ级缺陷类型的特点运用了Faster-RCNN目标检测算法进行分类。为了强化Ⅱ级缺陷的模型训练效果,结合东北大学（NEU）带钢表面缺陷数据作为数据集,并通过数据增强和均衡化进行预处理。对比各种基于深度学习的目标检测算法特点后,最终选用准确率高、速度快的Faster-RCNN目标检测算法。比较VGG与Inception系列模型网络,选择具有残差结构、模型性能也很强大的Res Net50模型作为主干特征提取网络。训练得到的模型对Ⅱ级缺陷当中划痕、划槽、凹坑三类缺陷进行预测,通过统计数据分析表明,Faster-RCNN目标检测算法能够实现对Ⅱ级缺陷的进一步分类。最后,搭建实验平台并开发了一套用于刹车盘缺陷识别和分类的软件系统。将实验平台和软件系统进行运行后,检测速度达到2个/s,准确率达到82.1%,实践证明了实验平台和软件系统的实用性、图像处理模块的有效性。