带式输送机作为一种广泛用于散货运输设备,在不均匀光照、雾气污染等恶劣环境的干扰下,其纵向撕裂检测系统极易产生漏报和误报,如何在恶劣环境下快速和可靠地识别纵向撕裂是保障带式输送机输送安全和降低维护难度的关键技术问题和难点之一。利用面积、矩形度、宽长比等传统几何特征的纵向撕裂检测方法易受到不均匀光照和雾气的影响,导致分割出的特征发生剧变,从而无法识别出裂纹特征或将正常图像错识别为撕裂。针对传统特征的局限性,不均匀光照和雾气等环境因素对纵向撕裂视觉检测的影响,本文提出采用Haar特征代替传统的几何特征并结合改进的暗通道去雾算法,通过AdaBoost算法提升和Cascade算法级联完成了分类器的训练,并利用训练出的分类器进行撕裂识别实验。实验结果表明,本文提出的检测方法在具有极强的不均匀光照和雾气适应性的同时,还兼具识别时间消耗少的特点,能够满足恶劣环境下的输送带纵向撕裂实时检测的需求。本文所做的主要工作包括:（1）引入了 Haar特征代替传统的几何特征。针对传统几何特征检测方法光照适应性差的特点,提出了采用Haar特征进行纵向撕裂识别的方法,并详细阐述了 Haar特征值的计算方法。（2）深入研究了图像去噪、图像去雾两种图像预处理算法并对暗通道去雾算法进行了改进。针对输送带图像中常见的椒盐噪声和高斯噪声,分别采用了中值滤波和高斯滤波进行去噪。对现有的去雾算法进行了深入研究和实验对比,并根据输送带背景单一,颜色特征少等特点对暗通道先验去雾算法进行了改进,改进的去雾算法在保证了去雾效果的前提下,大幅缩短了去雾处理所需要的时间,使输送带在雾气环境下的实时检测成为可能。（3）将AdaBoost算法与Cascade算法结合,完成了识别分类器的训练和优化。分析了 AdaBoost的算法原理,详细研究了基于Haar特征的弱分类器训练过程、基于AdaB oost算法的强分类器训练过程和基于Cascade算法的级联分类器训练过程,并对最终训练出的级联分类器进行了级数优化。（4）对九种恶劣工况进行了实验模拟,并对提出的检测算法进行了实验验证。搭建了一套完整的纵向撕裂检测平台,并通过调节光源强度、雾气发生器的档位,模拟了九种光照均匀度、雾气浓度不同的工况。引入了准确率、召回率、精确率、反正率和识别时间共五个评价指标,用于对比本文算法和传统几何特征识别算法在九种工况下的识别效果,从而更好地证明本算法在不均匀光照下、雾气污染下的强鲁棒性和实时性。