当前,编织袋缝合生产设备广泛运用于自动化智能包装生产线,但由于自动化智能包装生产线设备、环境、编织袋材质等多方面因素影响,编织袋缝合后,缝线出现两端缝线过长或过短,中间缝线出现跳线、倾斜、距离袋口过近或过远、缝线波动范围过大以及编织袋缝合时错位等缝合缺陷,影响产品质量。目前,编织袋缝合缺陷主要依靠人工检测,人工检测具有耗时、劳动强度大、成本高、误检率大等缺点。基于机器视觉缺陷检测具有快速、稳定、准确、无损检测等优点,因此,基于机器视觉的智能化缺陷检测技术成为当前主要的缺陷检测方法。在机器视觉缺陷检测当中,主要有两种检测方法,其一,采用图像预处理方法提取编织袋缝合缺陷特征,使用分类器算法进行缺陷检测,其二,采用图像预处理与深度学习算法相结合进行编织袋缝合缺陷检测。主要研究包装生产线编织袋缝合缺陷检测。重点研究图像采集系统中光源设备类型、光源照明方式、工业相机与镜头型号,编织袋缝合区域图像预处理算法,特征提取与分类器构建,卷积神经网络识别算法等方面的关键技术。以两种不同类型的编织袋为研究对象,并以实现包装生产线编织袋缝合缺陷智能检测为目标,对缺陷检测中图像预处理算法和识别算法进行研究。主要研究内容如下:（1）图像采集。针对两种不同颜色编织袋,目标与背景区域差异较小,图像采集时光源影响较大等问题,缝线提取困难。设计了背向和前向两种不同照明方式对编织袋进行图像采集,有效地解决了缝线与编织袋颜色差异较小,难以提取的缺陷,增强了目标与背景区域的有效分割。（2）图像预处理。针对编织袋在工业相机采集的图像信息中位置、大小不相同等问题。首先,对编织袋图像进行位置定位,采用最大值法对编织袋图像灰度化、双峰阈值法分割灰度化图像得到编织袋二值化图像、选取二值图像中最大连通区域进行去噪处理并填充孔洞,得到编织袋位置图像;其次,对编织袋位置图像进行倾斜校正,采用形态学算法对编织袋位置图像进行去噪、Canny算法进行边缘检测、Hough变换求出倾斜角度,得到倾斜校正图像;最后,对图像进行缩放校正。对红色编织袋图像,采用HSV颜色模型,经过分量法灰度化、灰度直方图双峰阈值法、去噪等方法得到缝线二值图像,通过裁剪得到左端缝线二值图像、中间缝线二值图像和右端缝线二值图像,同时,对于中间缝线二值图像进行行范围裁剪;对白色编织袋图像,直接对缩放校正后的原始图像进行裁剪,得到左端缝线图像、中间图像和右端缝线图像。（3）编织袋缝合缺陷识别。通过旋转、镜像、裁剪、平移等操作对深度学习数据集进行了增强。红色编织袋缝合缺陷的识别采用了两种方法,其一,提取两端缝线周长、面积及细化后面积三个特征,中间缝线最大连通区域周长和面积以及最大行和最小行位置,通过5种分类器对缺陷进行识别,试验结果表明,采用SVM模型,平均训练准确率为98.5%;其二,采用卷积神经网络对缝合区域进行识别,通过图像输入尺寸、mini-batches、优化器及学习率、L2正则化系数对卷积神经网络参数的优化,平均验证准确率为95.4%。红色编织袋缺陷的识别采用最大连通区域面积阈值设定的方法进行识别。白色编织袋缝合缺陷采用卷积神经网络,平均验证准确率达到99.89%。（4）构建了缺陷识别人机交互界面。重新采集图像进行测试,红色编织袋缝合缺陷采用分类器识别,平均测试准确度和时间分别为98.88%和0.33s,采用CNN识别,平均测试准确度和时间分别为98.05%和0.63s。白色编织袋缝合缺陷CNN识别,平均测试准确度和时间分别为99.44%和0.86s。红色编织袋缺陷识别测试准确率为100%,平均识别时间为0.0227s。（5）实现了编织袋两端缝线过长或过短、跳线、倾斜、距离袋口过近或过远、缝线波动范围过大、编织袋缝合时出现错位缺陷共7种缺陷的检测。经检验,所设计的智能检测系统设计合理,满足编织袋袋口缝合质量智能检测的需求,为基于机器视觉缺陷检测技术在包装行业的智能化进一步应用提供技术支持。