光纤陀螺仪是一种成本低、体积小、结构简单的惯性导航传感器,在惯性导航设备上获得广泛应用,其中光纤环是光纤陀螺仪的核心部件。在光纤环的实际绕制过程中,容易产生“叠匝”、“塌陷”、“间隙过大、不均”等问题,光纤自身也可能存在裂纹、破损、压伤等情况,有缺陷的光纤环将影响光纤陀螺仪的测量精度。现在的光纤环绕制环节,对光纤排布缺陷监测和光纤缺陷检测的方法还是以人工为主,随着图像处理、机器学习、深度学习等技术的成熟,使用机器视觉对光纤缺陷进行识别、分类,是光纤排布缺陷监测技术和光纤缺陷检测技术的发展趋势。本文以光纤缺陷检测技术和光纤排布缺陷监测技术为研究对象,针对人工检测难以检测光纤环绕制中出现的光纤缺陷和排布缺陷,结合现阶段光纤环绕制监测技术的发展现状和不足,基于机器视觉技术,使用图像处理、机器学习等方法对光纤环绕制缺陷监测和光纤缺陷检测问题进行了研究。以下为具体研究内容:首先,针对光纤缺陷检测技术,采用使用Gabor滤波、Sobel滤波对LBP特征提取方法进行了改进,提升了LBP特征对光纤的微小缺陷特征的提取能力。采用将光纤的HOG特征与改进的LBP特征组合成联合特征进行SVM分类的方法,这种联合特征同时包含了HOG提取的梯度特征和LBP提取的纹理特征,进一步挖掘了光纤缺陷特征。仿真实验验证了使用联合特征有更高的准确率,改进的LBP特征能更好的识别微小缺陷。其次,将卷积神经网络应用于光纤缺陷检测技术,一种基于卷积特征的SVM图像分类方法。该方法使用ResNet50模型提取光纤的2048维卷积特征,并用PCA方法根据特征保留比对特征降维。通过PSO优化SVM参数,使用SVM对图像进行分类。这种方法使用卷积神经网络提取特征,避免了传统特征提取法对先验知识和经验的过度依赖,使用更适合小样本分类的SVM代替神经网络的多层感知机进行图像分类,避免了卷积神经网络因样本不足造成的过拟合问题。仿真实验验证了此种方法在识别微小缺陷时的优越性。最后,针对光纤环绕制缺陷监测技术,采用了一种使用图像分类方法替代传统测量识别绕制时的“叠匝”“间距过大”缺陷,使用亚像素测量方法辅助图像分类方法判定绕制时出现的“间距过大”、“间距不均”缺陷的方法,相比传统的单一测量方法,无需根据光纤环参数改变排布状态判定条件,对测量设备精度要求和图像的预处理要求低,提升了测量精度,减少了测量参数。仿真实验验证了这种方法的可行性。