随着社会的发展与人们生活水平的提高,人们对食品外包装的品质也有了更高的追求。传统人眼对巧克力盒的缺陷检测由于效率低下、精度达不到标准、人力成本逐年上涨等原因已经满足不了巧克力盒工业生产的要求。而机器视觉检测技术因为检测效率高、抗干扰性强等优势在工业生产中大受欢迎并被广泛应用。使用机器视觉的方法对巧克力盒进行检测可以解决传统人工检测带来的弊端。因此,本文以巧克力盒作为研究对象,展开了基于机器视觉的巧克力盒缺陷检测与分类技术的研究,具有一定的实际应用价值。主要研究内容如下:首先,分析巧克力盒缺陷特性及其产生原因。对巧克力盒的缺陷检测与分类进行了总体方案设计,分别研究了各个硬件部分的选型依据,分析了软件图像处理算法的工作流程。其次,对巧克力盒缺陷检测算法进行了研究。先对图像进行预处理操作,再使用最大类间方法对图像进行初步的缺陷分割,得到的二值图像通过形态学操作去除无关杂点、连接断裂边缘。再对图像进行边缘检测,边缘检测的目的是对图像中明暗变化明显的点进行检测。通过对几种边缘检测算子的研究与对比。发现巧克力盒边缘检测的结果并不理想,检测到的边缘不够完整、易将噪声点误检为缺陷还缺乏自适应性。基于此,提出了一种改进的Canny边缘检测算法对巧克力盒进行检测。此方法检测的边缘更加完整,并且自适应性好。缺陷检测的准确率可以达到97.6%,且检测使用时间更短。具有实际应用性。最后,对巧克力盒的分类算法进行研究。对阈值分割、边缘检测分割出来的巧克力盒缺陷图像。进行形态与纹理特征提取。利用主成分分析法对提取的特征进行降维。使用BP神经网络与支持向量机算法对缺陷特征进行分类实验。实验结果表明支持向量机算法对缺陷的分类准确率比BP神经网络更高,准确率可以达到96.13%,并且分类耗时更少。