近些年来随着我国制造业的不断发展以及经济技术的逐步提升,越来越多的行业以及企业提出了更高的产品需求。丝网印刷技术在现代化工业生产的诸多领域中发挥着重要的作用,而丝网印刷样板的尺寸缺陷以及其表面缺陷将严重影响丝印产品的质量,直接导致产品合格率低。目前丝网印刷样板的检测基本依靠人工检测,检测效率低,人为主观因素强。因此,高效、精确地测量丝网印刷样板的尺寸、检测丝网印刷样板表面的缺陷具有重要的研究意义和应用价值。本文对丝网印刷样板的视觉检测进行了研究,设计了一套基于机器视觉的丝网印刷样板尺寸测量与缺陷检测系统。首先,本文介绍了国内外机器视觉技术在尺寸测量和缺陷检测方面的研究现状及发展趋势,分析国内丝网印刷样板检测技术发展存在的问题,进而阐明本课题的研究背景和意义。其次,本文分析丝网印刷样板本身的特性,对丝网印刷样板检测系统的硬件部分进行研究,其中包括工业相机、LED光源、镜头、千兆网卡、计算机以及相机光源测试台架等。在实验室搭建出一套满足丝网印刷样板检测要求与标准的硬件系统,进行丝网印刷样板图像的采集。然后,针对丝网印刷样板种类样式及待测目标繁多的问题,本文提出一种基于机器视觉的丝网印刷样板尺寸测量方法。传统视觉检测是采用定位矩形框建立测量坐标系,本文采用一种由粗到细的测量策略来降低传统视觉检测方法引入的测量误差。在测量阶段,采用基于图像金字塔算法和归一化互相关函数相结合的分层匹配算法实现多个待测目标的粗糙定位,再使用由模板信息统计获取的阈值参数进行边缘精细定位。依据定位到的边缘建立局部坐标系,完成尺寸测量工作。实验结果表明,丝网印刷样板测量结果的绝对误差能够保持在0.1mm以内。最后,本文对丝网印刷样板表面缺陷检测与分类识别的关键算法进行了研究。对于丝网印刷样板上的边缘断裂和圆度不完整这两种典型缺陷,设计了对应的检测算法。对于丝网印刷样板上常见的划痕、刮痕、污点和夹杂缺陷,在进行特征提取后,根据Fisher比筛选出对缺陷鉴别能力强的特征。对比BP神经网络、SVM以及K-近邻法对典型缺陷的分类结果,SVM算法对丝网印刷样板表面典型缺陷识别分类精度最高,实验表明平均分类正确率达到93.4%。