缸套是发动机的关键零件,在铸造和机加工成型中出现的外观质量缺陷将直接影响到发动机的性能和使用寿命。目前,对缸套的外观质量检测主要依靠人工目视判断方式完成,容易受到检测人员的主观因素影响。本文研究应用机器视觉进行缸套表面缺陷检测以实现自动化检测。缸套表面缺陷形貌多种多样,其中一些类型的缺陷需要定量测量判别,一些类型只要检测其有无。传统图像处理的方法难以同时识别出缺陷的各种类型,因而不能对其采用正确的定量测量算法。为此,本文研究利用卷积神经网络优秀的特征提取能力对缺陷图像进行特征提取,实现缺陷的检测以获取缺陷的类别信息和位置信息,再依据类别采用相应的图像处理算法实现定量分析。本文的主要研究工作和成果如下:（1）对缸套表面缺陷及图像形貌进行了统计分析,构建了缸套表面图像采集系统,并对相机进行标定。在该系统下构建了缺陷检测模型所需的数据集,对采集到的图像进行预处理以改善图像的质量。（2）通过对基于卷积神经网络的目标检测模型进行理论分析,确定了采用的基本检测模型——YOLOv4,并对其结构和检测原理进行深入分析。依据缸套表面缺陷图像处理需求特点,对YOLOv4模型进行注意力机制、特征融合方式和主干网络等3点改进,并完成了改进模型的搭建。通过4组对比实验,研究了注意力模块的改进、特征融合模块的改进和主干网络的改进对检测模型的检测精度和检测速度的影响。实验结果表明对检测模型的改进效果良好。（3）在改进检测模型实现了缺陷分类的基础上,对几类缺陷的尺寸进行定量测量分析。利用检测模型得到的缺陷信息对缺陷进行区域提取,并应用相应的图像处理算法对缺陷的轮廓进行提取并计算其尺寸大小,在相机标定的基础上实现真实世界中的缺陷尺寸计算。（4）设计了缸套外观质量智能检测系统,搭建相应的硬件系统和软件系统。在该系统中实现了缸套外观缺陷检测和缺陷定量分析两大功能,并对结果进行了可视化和保存。本研究的主要创新之处是通过改进YOLOv4检测模型实现缸套表面缺陷分类和定位,并在此基础上依据各类缺陷特征进行图像定量处理,实现缸套表面缺陷全自动检测并提升了检测准确性和精度。研究成果有望应用于实际,解决目前存在的缸套外观质量自动检测技术难题。