近年来,随着机器视觉和人工智能技术的不断发展,各行各业都亟待新一轮产业升级。由于中国瓶装白酒的外观设计复杂多样,导致异物图像捕捉困难,视觉检测难度极高,因此依靠人眼检测酒瓶中可见异物的人工检测方法依然占据主流地位。可见,在当今的科研趋势和市场环境下,展开基于机器视觉的酒瓶中异物检测技术的相关研究具有十分重要的意义。本文设计了一种针对瓶装白酒的酒瓶中可见异物检测流程,基于该检测流程着重讨论并研究了两种检测算法:基于随机森林的酒瓶中异物检测算法和基于轻量化网络的酒瓶中异物检测算法。具体研究工作如下:分析了酒液中各类异物的物理特性,并据此采用了翻转倒置酒瓶的方法以能够捕捉到异物运动的图像序列。设计了一套图像采集实验系统,并对该系统的各个组成部分进行了简要的介绍,其中包括光源和工业相机的选型,以及照明方式的选取。基于异物的运动轨迹,提出了在酒瓶倒置回正后1秒左右检测大型沉淀类异物,3秒左右检测其他类型异物的检测思路。研究了基于随机森林的酒瓶中异物检测算法。该算法主要分为四个步骤:候选异物的选取、分类、位置判定以及匹配,首先采用基于移动平均的自适应局部阈值分割方法实现候选异物的选取,然后提取了候选异物目标的四类特征:形状特征、颜色特征、纹理特征以及梯度特征,最后训练了两个随机森林分类器分别实现候选异物的分类和匹配任务,完成酒液中可见异物的检测。对于采集到的228组用于测试的酒瓶图像序列,该算法的检测准确率为94.2982%。研究了基于轻量化网络的酒瓶中异物检测算法。该算法主要由两个轻量化神经网络构成:分类网络和匹配网络。分类网络不仅用于提取候选异物目标的深度特征,对气泡进行剔除,而且与匹配网络一起完成两帧图像间异物的匹配,进而实现酒液中可见异物的检测。对于采集到的228组用于测试的酒瓶图像序列,该算法的检测准确率为96.0526%。