随着无人机市场的规模不断扩大,无人机相关配件需求量也同步上涨,其中桨翼作为消耗品需求量尤其巨大。无人机桨翼上印有桨影图案,图案移印时可能会出现各种缺陷,现采用人工目视的方式检测缺陷,存在检测效率低、检测质量一致性差等问题。机器视觉检测系统虽然可以实现自动化检测、统一检测质量,但现有的机器视觉算法检测标准过于单一,难以复现人工检测的智能判断与综合决策,即根据不同缺陷客户接受度的不同采取不一样的检测标准以获得产品品质控制与生产成本控制的最佳匹配。针对以上问题,本文深入研究了传统视觉算法和深度学习算法的综合应用,设计开发了一套无人机桨影移印缺陷检测识别系统。论文主要的研究工作包括以下几点:（1）深入了解桨影移印的工艺过程以及缺陷出现原因及类型,结合生产现场的环境以及企业质量检测的要求,研究并设计了一套基于机器视觉的移印缺陷检测识别系统方案,包括照明方案设计、图像采集硬件选型等。（2）对模板匹配算法中的灰度值和形状匹配算法在缺陷检测方面的应用进行了深入研究。先对两种算法进行单独研究,在保证合格品零错检的前提下,通过实验的方式证明了两种算法结合使用时合格品漏检率更低。再用图像金字塔对匹配算法进行优化,缩短算法运行时间。最后通过对比分析,找出了部分合格品无法通过匹配算法检测的原因。（3）为了解决部分合格品无法通过模板匹配算法检测以及缺陷分类的问题,研究了深度学习在图像分类上的应用。使用AlexNet、ResNet-50、MobileNetV2这三种网络结构的深度学习预训练模型进行分类训练,选出效果最好的模型。将其作为模板匹配算法的后续优化手段,极大程度降低了合格品的漏检率,同时还能进行缺陷分类,为缺陷问题的针对性解决提供了依据。（4）利用C#联合Halcon编程开发了检测软件,实现了模板匹配算法与深度学习分类模型的集成应用,并对其进行实验测试,结果表明软件的各项功能和缺陷检测识别均已达到最初的设计目标。本文通过传统视觉算法结合深度学习的方式,设计开发了一套桨影移印缺陷检测识别系统,该系统不仅解决了人工检测效率低和质量一致性差等问题,同时具有人工检测智能识别的优势。