汽车保有量的增加推动轮毂生产发展。轮毂在铸造后的精加工、质量缺陷检测等工艺都是基于实际型号进行相应操作,因此需识别实际轮毂型号。因轮毂在铸造及精加工过程易受到各因素影响产生质量缺陷,故需进行质量缺陷检测以判断是否合格。然而目前轮毂的型号识别及质量缺陷检测方式多为人工目检,不能保质保量完成识别检测任务。如今机器视觉系统能克服因人工识别带来的问题影响,提高生产系统柔性化及自动化程度。因此本文研究基于机器视觉的轮毂智能识别及质量检测系统,用于实现轮毂的型号智能识别及质量缺陷检测。首先,在机器视觉的应用基础上研究开发整套基于机器视觉的轮毂智能识别及质量检测系统。在轮毂型号智能识别和质量缺陷检测的硬件基础上对软件部分及检测流程进行设计研究。其次,对轮毂型号智能识别系统的实现基础进行研究。对型号识别硬件系统采集的轮毂图像进行灰度化、滤波去噪、二值形态学及边缘检测预处理操作。在预处理后的图像上提取轮毂半径、辐条数、辐条类型、圆心至轮辐窗口下沿距离、窗口面积与轮毂面积比和宽度六种特征数据并进行归一化及主成分处理。在常规K-近邻(KNN)、支持向量机(SVM)识别算法的基础上研究了结合KNN及SVM的KNN-SVM算法和用灰狼算法(GWO)改进SVM惩罚系数c和核函数半径?的GWO-SVM算法。通过应用四种算法进行轮毂型号识别实验,结果显示GWO-SVM算法具备最优的识别效果,正确识别率可达95.83%相比于传统SVM提升约6.48%满足型号识别要求。再次,对轮毂质量缺陷检测系统的实现基础进行研究。在研究轮毂气孔、缩松、缩孔、裂纹和夹杂缺陷的基础上对硬件系统采集的缺陷图像进行多帧叠加去噪、反锐化掩模处理。基于缺陷对比模板得到去除背景缺陷图,运用布谷鸟算法(CS)结合大津法(Otsu)的CS-Otsu算法寻找最优阈值T获取缺陷部分图像。通过ROI选取待检测缺陷区域及去伪操作后,提取缺陷面积、灰度均值、长径、尖锐度、周长与面积比、长宽比和矩形度七种缺陷特征数据并进行归一化及主成分处理。BP(Back Propagation)神经网络基础上研究萤火虫算法(GSO)改进BP隐含层至输出层及输入层至隐含层的权值w_j _i、v_k _j及阙值?_j、?_k的GSO-BP算法对轮毂缺陷进行检测实验。结果表明应用GSO-BP算法的缺陷检测识别率达95%,相较于常规BP算法的检测提升约6.74%能满足缺陷检测要求,并依据ASTM标准及实际情况对缺陷进行等级及质量合格判断。最后基于Visual Studio编译环境搭建Open CV开源计算机图像库及Qt可视化程序界面,实现型号智能识别及质量缺陷检测系统的软件模块功能。通过实验结果验证系统能够满足对轮毂的型号智能识别及质量缺陷检测要求。