随着服装、箱包行业的蓬勃发展,拉链的需求不断增加。拉链的质量在一定程度上影响了后续产品的使用体验,在拉链的生产过程中,复杂的工序与工业生产环境会对拉链造成损伤,出厂前需要对拉链进行缺陷检测以保障产品质量。目前,在实际生产过程中,对拉链的缺陷检测主要是依靠人工来完成的,存在效率低、人眼识别精度不够等问题。随着机器视觉技术的不断发展,基于深度学习方法的拉链缺陷检测,可以较好地提高检测的精度与速度,因此本文借助深度学习理论,对尼龙拉链链齿的爆链、缺牙、错牙等缺陷情况进行研究。首先通过工业相机采集拉链图像,对链齿部分进行定位,裁剪出链齿部分的图像;接着设计了拉链链齿骨架提取算法,对上一阶段提取出来的图像进行骨架提取,生成骨架图;最后基于骨架图对拉链成品链齿缺陷进行检测,实现了对拉链链齿部分的缺陷检测。所设计的拉链的链齿缺陷检测算法能够快速并准确的对缺陷进检测。本文主要工作如下:1)在某拉链生产车间现场随机采集拉链链齿图像,对采集到的图像进行降噪预处理,形成数据集。2)提取链齿骨架图对链齿的结构特征进行描述,再根据具有结构特征的骨架图对缺陷进行检测,提出SEA-Ada LSN骨架提取算法,在Ada-LSN算法中引入注意力机制,提高骨架图的准确度。3)采用SVM与决策树相结合,进行链齿缺陷的多分类检测。利用轻量级网络提取骨架图的特征,将准确率高的SVM分类器作为决策树的根节点实现多分类。实验结果总结表明,通过对数据集中的测试集进行缺陷检测,准确率为93.15%,与未进行骨架提取直接通过决策树SVM进行分类相比,精确度提高了6.05%,每张图像平均检测速度为412m S,能够快速准确的对缺陷进行检测。