基于神经网络的胶管机器视觉缺陷检测是将机器视觉图像处理技术与神经网络数据挖掘算法相结合。本文采用机器视觉技术,构建检测系统对胶管芯轴表面缺陷进行检测,通过图像处理的形态学处理、ROI分割、边界提取、阈值分割等算法对芯轴图像进行缺陷识别,实现缺陷数据的识别和定量分析并输出。在获取缺陷数据的基础上,通过神经网络数据挖掘算法,构架分类模型,得到芯轴表面质量评价方法。该方法能够改善人工检测的现状,具有重要的研究价值和发展前景。本文首先对汽车行业以及汽车胶管的生产现状进行了介绍,并对机器视觉技术的背景、发展现状以及未来的发展趋势进行了总结。然后结合机器学习分类算法对机器学习过程中的关键技术和原理进行了深入的研究:介绍了机器学习的基本概念、算法、原理以及研究现状,介绍了神经网络算法的原理和误差修正学习算法,提出了利用神经网络模型对缺陷数据进行挖掘的方法;结合数据处理的流程对机器视觉缺陷识别过程中的算法和过程进行了研究,提出了一种胶管芯轴表面缺陷的识别算法,在满足识别准确率的基础上实现对芯轴表面不同种类缺陷的定量分析。最后根据芯轴表面质量评定的实际问题,利用数据挖掘平台Rapid Miner对缺陷数据进行挖掘,构建了神经网络模型实现对芯轴表面质量的预测,实现了评价标准的建模和结果输出。本文利用机器视觉检测系统对芯轴进行图像采集,利用得到的图像进行缺陷下的识别。对系统输出的缺陷数据进行数据挖掘,构建了神经网络分类器模型,并利用交叉验证的方式对建模结果进行了分析对比,验证了模型的准确性和表面质量评价方法的可行性。