乳化炸药包装缺陷检测技术是民爆炸药生产工序中重要组成部分,这一技术具有行业发展意义与科研创新意义,如何准确快速地对乳化炸药包装缺陷识别是当前民爆产业的一大难题,传统人工流水线检测以及传统形式的图像处理技术不仅低效而且安全性能极低。课题针对这一现象提出了基于机器视觉的乳化炸药包装缺陷在线检测系统。首先,提出一种新型的基于卷积神经网络的乳化炸药药卷缺陷检测优化算法。优化过程体现在三方面:(1)提出一种新型的柔性学习率修正算法,以突变因数来判断学习率,代替以往固定学习率。根据训练所得的突变因数,动态计算每一阶段的相对于当前网络的自适应权重系数;(2)对卷积神经网络训练过程采用了三段式的处理方法,达到柔性学习的目的;(3)采用Leaky-Relu函数而非传统sigmoid函数作为激活函数,通过调节抑制因子达到更好激活效果。以BSDS500数据集为实验数据集,结果分析优化了约90%的网络训练时间,提升了约20%识别精度。其次,提出缺陷检测前的图像预处理方案,针对图像容量、噪音、黏连、边界不清晰等问题建立预处理方案。经方案处理后的图像容量缩小近20倍且只留下边界信息,只有边界信息的药卷图像通过基于柔性学习率的卷积神经网络算法进行缺陷检测,极大的减小了缺陷检测的压力,提高了缺陷检测的精确度与速度。实验以2000根药卷图片为数据集,检测速度为2.3min,次品检测率达到98%。最后,设计了药卷图像采集模块,提出以树莓派同时控制光源与摄像机,将三者组成图像采集单元,多单元组成图像采集模块。随时控制光源与摄像机,并实现同时处理同一批次图像数据。开发了拥有人工智能特点的可视化的药卷缺陷检测平台。系统拥有直观的数据表现形式和简易的操作过程,将课题开发的系统现场实现,投入生产环境。通过实验和现场环境测试,本次开发系统达到工业应用水准。