铝板缺陷直接影响产品质量,因而作为加工生产线的一个重要环节,铝板自动化缺陷检测技术一直是研究的热点。为了提升铝板缺陷的检测精度和效率,降低生产成本,加快生产线的自动化建设,研发一种客观、高效、精确、低廉、易于维护的冲压铝板缺陷检测系统有着较高的经济效益和社会价值。随着图像传感器和计算机性能的提高、数字图像处理技术的发展及机器学习理论的完善,机器视觉检测系统在工业生产领域的应用日益广泛。本文根据当前机器视觉的发展现状,从系统实时性、准确性和鲁棒性出发,研究冲压铝板缺陷的检测与分类算法,设计并实现缺陷自动检测和分类系统。本文的研究内容和成果如下:1)实际生产车间中存在大量无法及时清除的粉尘和毛屑,当其附着在铝板表面时,会导致成像后的图片存在形似缺陷的噪声,造成系统误检。为减少类似噪声的负面影响,并获取目标区域的位置信息,本文提出一套完整的预处理方案。结合快速中值滤波器和数学形态学来屏蔽由粉尘和毛屑导致的伪缺陷;通过最大熵阈值分割算法在尽可能保留图像细节的情况下实现图像的二值化;最后由图像区域分析来标记目标位置。2)图像的特征描述是系统进行缺陷检测与分类的重要依据,特征选择的好坏直接影响缺陷检测的结果。因而系统实现时一般要求选择的特征应具有灵敏度高、独立性强、运算快的特点。通过分析冲压铝板的缺陷成像特点,选择Hu矩、SITF算法、HOG算法和PHOG算法等多种特征提取方法进行分析比对。并结合具体问题,针对传统PHOG算法的不足,提出一种改进的PHOG算法,即通过引入重叠采样机制,在获取空间结构和梯度信息的同时,增强算法对局部像素之间的关系描述。3)传统的计算机视觉通过结合各类算法,可组成强大且有效的特定缺陷检测器,但各步骤都需要构建分析,因而研发周期相对较长,且针对性强、可扩展性弱。深度学习提供统计上强大的探测器,可以相对容易地训练模型来检测缺陷,而不需要繁琐的特征工程。本文将抗网络退化能力较强的DenseNet作为研究对象,探讨深度学习用于冲压铝板缺陷检测的可行性,为后续的工程实现做铺垫。4)综合检测性能和实现效率来选取合适的缺陷检测算法,从性价比、易于维护等方面选择硬件设备,完成机器视觉系统的硬件搭设和软件功能实现。本文基于Visual Studio和OPENCV平台编写软件,具备较好的人机交互界面,能帮助操作人员实现方便、快捷的铝板缺陷自动化检测。最终的系统测试结果表明,系统对冲压铝板缺陷的检测精度高达97%,对各缺陷的分类准确率达到96%以上,具有较高的可靠性和准确度。