在浮法玻璃生产过程中,受到工艺水平限制及环境因素影响,会出现各种类型的玻璃缺陷。通过对缺陷的准确检测,能大幅度降低生产成本,有效提高玻璃质量,提高生产效率。基于机器视觉的玻璃缺陷在线检测具有很高的检测准确度及检测效率,且省去不必要的人工检测成本,适应了玻璃现代化的生产。基于机器视觉,本文研究了玻璃缺陷检测中关键技术及算法,论文主要工作如下:(1)缺陷图像预处理。首先针对原始采集图像背景中存在的明暗相间的干扰条纹,采用差影法剔除;然后选取二维中值滤波平滑缺陷图像中的干扰噪声;最后应用灰度分段变换方法提高图像中的缺陷区域的清晰度,降低非缺陷区域的视觉存在感。(2)缺陷单特征提取和拓展。提取玻璃缺陷三类单特征:纹理特征、形状特征、统计特征,针对三类特征描述缺陷的不足分别进行拓展。对比拓展前后对五类缺陷的识别率,结果证明三次拓展是有效、必要的。(3)缺陷多特征融合和特征选择。将三类单特征串行融合得到一个224维的多特征向量,若直接利用进行缺陷检测不仅耗费大量时间,而且达不到理想检测效果。本文采用ReCorre法对缺陷多特征向量进行特征选择:第一步去除无关特征;第二步去除冗余特征,最终得到17维缺陷多特征向量,实验结果表明其对缺陷的识别率高于融合前三类单特征。(4)支持向量机检测玻璃缺陷。建立检测玻璃缺陷的支持向量机模型时,核函数选择径向基核函数,多类分类策略采用一对一方式,对于模型建立中最关键的模型参数选择:标准SVM法基于人工设置,具有盲目性;本文采用AMPSO法对缺陷分类模型参数进行寻优可得到最优的模型参数。经AMPSO寻找到最优模型参数后,建立支持向量机模型对玻璃缺陷进行检测实验,结果表明参数寻优后的支持向量机对玻璃缺陷的检测效果优于标准支持向量机。