玻璃生产水平和工艺的不断进步,给传统的人工检测带来很大挑战。机器视觉作为一种新型的检测技术,具有速度快、精度高、非接触等优点,适应了玻璃现代化的生产。针对目前国内玻璃生产中机器视觉在线检测算法研究与系统应用滞后的现状,本文对浮法玻璃缺陷在线检测的算法进行了研究,并在此基础上完成了浮法玻璃在线检测系统的关键技术研究与系统实现。在图像的预处理部分,利用了简单快速的图像差影技术完成了实时图像复杂条纹背景的去除,并针对小面积、低灰度的差影图像,提出了一种基于3σ标准的twice OTSU分割方法。该方法借助于OTSU算法快速、准确的优点,根据图像灰度标准差的不同来自动选择分割阈值,避免了低灰度图像的欠分割,可以准确地提取缺陷的核心。分析了五类玻璃缺陷的特点,分别从反映局部特性的网格特征、具有针对性的统计特征以及强调整体性的能量特征三个方面对缺陷图像的特征提取进行了研究,并根据网格均匀化的要求,提出了相应的自适应边界调整法。为了更准确的获得与类别相关的特征,在分析了传统过滤式ReliefF算法的基础上,提出了一种样本无偏的SUReliefF算法,避免了经典ReliefF算法在特征评价中与样本有关的偏向性以欧式距离在最邻近样本选择的局限性,从而使算法在特征评价上更具公平性和客观性。分别对神经网络和支持向量机两种具有相似结构的分类器进行了对比研究。在总结了影响神经网络泛化能力因素的基础上,通过改进训练算法和样本的选择提高了BP网络的性能。利用SMO算法克服了SVM训练慢、内存需求大的问题,提高了SVM的训练效率,而一对一的多类判别方式增加了分类器的稳定性。提出了一种基于多分辨率信息融合的缺陷识别算法。基于小波的多分辨率分解实现了缺陷图像的信息层次化。通过对近似图像的多分类器决策,实现了信息的综合化,避免了单分类器决策的片面性。提出的基于证据理论的HDC-DS算法,通过引入决策可靠性,更全面的反应了决策向量的有效性,解决了多分类器决策融合的偏向性问题。最后,对浮法玻璃缺陷在线检测系统进行了设计,研究了检测过程中采集同步和打标版同步等关键性问题,并给出了应用实例。