经编提花鞋面的数量统计和质量检测是制鞋过程中的一个重要环节。目前,工厂主要采用人工检测方法,通过人眼视觉来检测鞋面布匹是否存在质量问题,手工标记存在质量问题的鞋面,并且人工统计合格鞋面的数量。这种检测方法存在着检测速度慢、检测准确率不高、劳动强度大等弊端,降低了企业的市场竞争力。利用机器视觉技术代替传统人工检测,是一种提高鞋面布匹检测效率和精度的重要途径。本课题以经编提花鞋面布匹为研究对象,利用机器视觉技术,设计合适的鞋面数量统计和质量检测算法,自动完成鞋面布匹的检测。首先,结合工厂实地调研,具体了解工厂人工检测鞋面的流程,分析人工检测方法的弊端,总结不合格的鞋面主要存在的质量问题。分析国内外机器视觉技术和鞋面布匹质量检测方法的研究现状,针对目前方法存在的缺陷和不足,确定算法的研究方向。设计并搭建基于机器视觉的经编提花鞋面布匹检测系统,完成工业相机、镜头、光源、图像采集卡、编码器等硬件选型。然后,研究经编提花鞋面模板的识别算法。建立包含100种不同类型不同款式的经编提花鞋面标准模板库。采用主成分分析（PCA）方法,生成标准鞋面模板库的PCA模型;求解PCA模型和待检测鞋面特征向量的最小欧式距离,选取与待检测鞋面布匹对应的鞋面模板;引入奇异值分解,提高PCA模型的计算速度和适用范围。对提出的基于主成分分析的鞋面模板识别算法进行验证,结果表明该算法能够准确地识别出待检测经编提花鞋面布匹相应的鞋面模板。接着,设计两套经编提花鞋面数量统计和质量检测算法。第一套算法基于归一化互相关匹配算法,根据工业线阵相机采集图片的特点和算法对鞋面照片的要求,对待检测的鞋面图片每两张进行依次拼接;利用经编提花鞋面图像金字塔,降低鞋面图像尺寸并保证清晰度;设定合适的相似性阈值,检测出存在质量问题的鞋面并进行打叉标记,统计合格的鞋面数量。第二套算法基于卷积神经网络,运用分水岭分割算法对鞋面布匹图像进行形态学分割,提取包含鞋面信息的目标区域,去除鞋面布匹的背景纹理信息;改进Match Net匹配网络模型,设计鞋面特征提取网络和相似性测度网络,提高模型的检测准确率;采用Ada Delta优化算法,提高模型的训练速度。最后,通过实验验证两套设计的经编提花鞋面数量统计和质量检测算法的有效性和可靠性。针对三种不同款型的经编提花鞋面布匹,分别应用两套提出的算法进行经编提花鞋面的数量统计和质量检测,验证算法的准确率和实时性。通过检测结果可视化和定量分析,基于归一化互相关匹配的算法检测准确率可以达到96.7%,基于改进MatchNet的算法检测准确率可以达到97.7%,鞋面布匹检测系统的检测速度可达0.8 m/s,相较传统人工检测方法提高3～4倍。