在以智能制造为核心的工业4.0时代背景下,随着中国制造2025战略的深入,自动化流水线设备正在逐步取代传统的劳动密集型产业。在瓶装酒生产过程中,企业往往需要投入大量的人力成本到产品的出厂质检环节以适应自动化生产线运转速度,但随着灌装技术的提升,高昂的用人成本以及低效的人工目检的方式已经不能满足实际生产需要。本文以瓶装酒生产为背景,以瓶身和瓶盖表面瑕疵为对象,研究基于机器视觉的酒瓶瑕疵检测系统,主要研究内容如下所示:（1）按照检测对象及需求确定机器视觉系统的总体设计架构,并根据生产线运转情况确定图像采集模块的选型,完成酒瓶瑕疵检测系统的硬件系统搭建。依托实验室服务器搭建软件算法模块,完成检测模型的训练及部署。（2）重点研究了基于深度学习的酒瓶瑕疵检测算法,首先通过将目前常用两种目标检测算法Faster R-CNN和YOLO v3应用到自制的酒瓶瑕疵数据集上,实验结果表明,两种目标检测算法在执行时间上都能满足流水线需要,但是在酒瓶瑕疵检测这种对精度要求较高的行业,两种算法均不能满足检测精度的要求。（3）针对两种目标检测算法不能够满足精度要求的情况下,提出改进的多阶段Cascade R-CNN算法,创新思想在于采用聚类算法的Anchor生成策略,将多尺度预测的骨干网络用作特征提取,使用感兴趣对齐层取代原先的池化层,实验结果表明提出的改进模型在检测速度方面虽然略逊于其他模型,但模型检测的准确度达到了92.6%,远高于其他模型。（4）为方便用户更好的使用酒瓶瑕疵检测系统,采用多线程的设计思路为系统设计了配套的人机交互界面,通过界面实时显示生产线产品,模型结果及生产数据等内容。