随着我国工业自动化水平的不断提高,机器视觉和数字图像处理技术在工业检测领域的应用已经成为工业自动化发展的重要内容。浮法玻璃产品的高档化和用途的多样化,使得企业对浮法玻璃质量的要求越来越高。传统的人工质量检测方法已经不能满足现代生产对检测精度的高标准和高要求。基于BP神经网络的浮法玻璃缺陷分类方法能实现缺陷的快速和准确分类,能大幅度降低生产成本,有效提高玻璃质量,提高生产效率。本文首先结合浮法玻璃检测的应用特点,从模块化的角度对检测系统的软、硬件系统进行了研究,提出了一种基于BP神经网络的浮法玻璃缺陷分类算法。在分析了玻璃生产环境和获取的玻璃图像特点的基础上,采用了一系列图像预处理算法使得浮法玻璃灰度图像得到增强,主要包括线性变换、图像平滑、运动模糊消除等几个过程。然后研究了各种边缘检测算子对玻璃缺陷的边缘进行检测,在分析了各种算子的检测效果的基础上,用高斯拉普拉斯算子能有效地检测出玻璃缺陷的边缘。比较了图像差影、阈值分割等方法对玻璃缺陷进行分割,采用了一种最佳阈值迭代法,采用这种方法分割缺陷区域,图像中玻璃缺陷特征损失小,有利于后续的特征提取。分析了各种常见的玻璃缺陷产生的原因以及特点,根据特征向量的选取原则,提出了8个特征参数组成一组特征向量来描述一个玻璃缺陷。然后研究了标准的BP神经网络算法,对它存在的一些普遍问题提出了相应的改进措施,并将改进后的BP算法流程应用于浮法玻璃缺陷分类识别。最后,总结了本文的工作,并指出了下一步的研究方向。