伴随着工业自动化的快速发展,生产加工行业对机器视觉系统的依赖性越来越高。机器视觉系统因其在图像采集时的高分辨率、低畸变,在图像处理时的高精度、低耗时等优点,在工业领域被广泛使用。而SMT生产线第一道工序使用的关键磨具——钢网,其质量的好坏直接影响着后续加工产品的优劣程度,故对其进行缺陷检测十分必要。现有的缺陷检测方案中,除人工视觉检测外,其他均依赖Gerber数据文件的辅助,并且存在耗时长、检测过程复杂、检测效果差等缺点。本课题通过寻找钢网缺陷的共有特征——角点,在无Gerber数据文件的情况下,对提取的角点区域进行正误分类,以检测钢网上各类孔洞的缺陷并进行定位。检测反馈的数据用于对钢网的再处理或重加工,保证后续SMT生产过程的有序进行。本课题在对采集到的钢网图像进行图像拼接、孔洞分块、孔洞内外分割等预处理后,通过Harris算法进行角点提取,对提取到的角点区域进行特征分析,构建出区域图像的特征向量,然后把该特征向量送入MLP神经网络进行训练,并使用特征归一化、PCA降维、添加正则项等方法不断优化该分类模型。最终,该MLP模型在测试集上对角点区域分类的平均正确率超过95%,最低正确率接近92%,能快速检测出钢网孔洞的毛刺、遮挡、堵塞等微小缺陷,在标定板上的检测精度能达到30μm,且耗时短,解决了钢网缺陷检测中精度低、实时性差且误判率高的问题。