钢板的焊点质量直接影响钢板的可靠性,而传统的人工抽检方法检测时间长,一定程度上影响钢板产能。近年来,随着机器学习的快速发展,在图像处理、目标检测等研究领域取得了不错的成绩,并得到了广泛应用。与此同时,计算成本的不断降低,也使得基于机器视觉的检测方法落地工业生产场景成为了可能。因此,将基于机器视觉的方法引入钢板焊点质量检测具有极大的工业应用价值和研究意义。本文关注钢板生产加工过程中的表面焊点质量缺陷问题,首先对经典算法进行了对比试验,其次提出了一种改进型算法,最后设计并实现了一套基于机器视觉的钢板焊点缺陷检测系统,具体如下:（1）采用经典的基于传统机器学习与基于深度学习的焊点缺陷检测算法对钢板焊点进行对比实验。实验结果表明,两类算法均具有较高的精确率。对于后者,其平均F1-Score略低于基于传统机器学习的算法。（2）提出了一种改进型算法,将深度学习算法与传统机器学习算法有效结合了起来。将整体的模型分为两步进行训练,首先训练神经网络的特征提取能力,其次训练传统机器学习分类器的分类能力。在模型迭代训练过程中不断优化整体模型的精确率。实验结果表明,该改进算法在各项指标上均取得了显著提升,召回率达到97%,对进一步的工业应用研究具有重大意义。（3）设计并实现了一个适用于实际工业生产场景的基于机器视觉的焊点缺陷检测系统。根据焊点缺陷检测的整体流程,对系统进行模块化设计与实现,具体包括:窗口裁剪模块、焊点定位模块、图像预处理模块、数据增强模块、缺陷检测模块。达到了机器自动、快速、准确、高效检测钢板焊点缺陷的功能。