在纽扣的生产过程中,由于存在机械故障、模具损坏等不可控因素,纽扣极易产生各种各样的瑕疵。目前纽扣的瑕疵检测方法通常是人工目测,该方法效率低下且准确率有限。针对这一问题,本文基于机器视觉的相关理论知识,并考虑不同类型纽扣的瑕疵特点,提出了基于机器视觉的针对塑料纽扣和金属纽扣的瑕疵检测方法。本文搭建了纽扣瑕疵检测的硬件平台并主要研究了三部分内容:一、纽扣图像感兴趣区域的分割;二、塑料纽扣的瑕疵检测方法;三、金属纽扣的瑕疵检测方法。论文的主要创新点如下:1、提出了基于形态学处理和Graham算法的纽扣图像感兴趣区域分割算法。该算法将采集到的纽扣图像进行滤波处理,根据塑料纽扣和金属纽扣的不同特点,利用形态学处理得到图像中纽扣所在的区域,并提取纽扣的边缘。最后利用Graham算法得到纽扣最小外接矩阵的坐标,将该坐标值映射到原图所在的位置,分割出纽扣图像的感兴趣区域。该算法为纽扣瑕疵检测奠定了基础,去除了无关的干扰信息,提高了瑕疵检测的效率。2、提出了基于动态阈值和自适应高斯聚类的塑料纽扣瑕疵检测算法。该算法按照瑕疵类别的不同分为两个模块:一、针对纽扣形状瑕疵的特点,本文利用动态阈值分割和连通区域计数检测塑料纽扣的内孔瑕疵、利用边缘提取和圆度分析检测塑料纽扣的轮廓瑕疵;二、根据瑕疵区域与非瑕疵区域存在色差这一特点,本文利用自适应高斯混合模型对纽扣表面的颜色进行聚类,根据聚类得到的均值矩阵判断该塑料纽扣是否有表面瑕疵。实验表明该算法对于塑料纽扣瑕疵的检测具有准确性和优异性。3、提出了基于极限学习机级联稀疏表示分类的金属纽扣瑕疵检测算法。该算法将瑕疵检测问题转化为模式分类问题。在预处理阶段,提出了利用Exemplar-based算法对纽扣图像进行去反光处理。本文提出的级联分类器分为两个阶段:一、由于极限学习机具有快速学习能力和强泛化能力的优点,利用极限学习机对纽扣进行分类,检测出瑕疵品和合格品;二、为了进一步提高纽扣正次品分类的准确率,当单隐层前馈神经网络的输出概率低于设定的阈值时,利用稀疏表示的分类算法对纽扣重新分类,通过查询稀疏表示的完备字典获得最终分类结果。从测试结果可以看出,本文的算法能很好地检测出纽扣瑕疵品,克服了单一模型在计算复杂度和分类准确度之间无法兼顾的局限性。