随着生产自动化水平的日益提高,企业对产品质量的要求越加严格,基于机器视觉的检测技术以其非接触、精度高、速度快、成本低等优点逐渐被企业所了解和接受。基于视觉的物料识别作为机器视觉的一个应用领域,用于对生产过程中的多种物料进行分类、分拣和分级等,是后续的计量、剔除另类、检测缺失(陷)、实时监控和数据管理等处理工作的基础,正在成为当今检测技术研究的热点之一。　　 本文针对广东韶山钢铁厂亟需解决的对同一传送带上分时传送的几种典型炼钢物料(球矿、焦炭、铁矿)和空载传送带状态的自动识别,开展基于视觉的物料识别方法研究。完成的工作包括:　　 (1)为减少空载图像对三类物料图像识别的干扰,首先提出将空载状态识别出来的研究思路。鉴于空载图像的有效边缘大大少于三类物料图像的有效边缘,提出了利用图像边缘量来识别空载状态的方法。边缘量用5级提升小波变换的高频子带系数绝对值的平均值表示,比较实验得出DB4小波识别空载图像最优。　　 (2)针对球矿、焦炭、铁矿三种物料的识别,提出了基于颜色和变换域的物料识别方法。鉴于焦炭图像整体近于黑色,球矿和铁矿偏红色的特点,提出利用图像红色分量(RGBred)与对应灰度值(RGBgrey)距离的平均值识别焦炭；针对球矿形状相似、纹理规则,铁矿形状不一、纹理杂乱的特点,提出利用两类图像频域差异分类的方法。　　 (3)针对多数物料图像小波域高频子带系数稀疏的特点,提出了基于混合高斯模型(GMM)的物料识别方法,该方法不仅适用于前述三种典型物料,也可用于其他物料识别。　　 (4)建立了基于VC4465智能相机的物料识别工程实现模拟实验平台,分别在PC机和相机内实现了两种物料识别算法。基于该平台,进行了炼钢物料和三种农产品的识别实验,实验得出两种方法识别率高于96％,最大识别时间在380ms之内,能够满足实际要求。