随着制造业的飞速发展,生产生活中对金属部件的需求日益增大,而机械生产加工精度的高标准使得生产车间对金属部件的质量检测和实时监控自动化水平的要求也不断加强。金属部件的生产工艺流程分为机械加工、冲压、精密铸造、粉末冶金、金属注射成型、后处理等环节,在生产过程中因受制造工艺影响,产品会存在尺寸不合格和外观质量缺陷的问题。若存在缺陷的零部件流入下个生产组装工序,将会导致组装受阻、变形,影响组装件的质量,甚至使得组装件报废而停机,严重影响自动化生产线效率,给生产企业带来经济损失和信誉风险,生产过程中必须进行严格规范的外观质量检测。因此针对产品外观缺陷视觉检测方法的研究具有重要的理论意义和实际应用价值。产品外观缺陷的传统检测方法是人工目检,而人工检测具有速度慢、效率低和主观性强等缺点。随着机器视觉和模式识别技术的发展,现如今生产线上逐渐采用机器视觉检测代替人工检测,视觉检测具有精度高、速度快和非接触等优点。以金属部件的外观缺陷检测为例,金属材料和外观缺陷类型的多样性导致视觉检测算法复杂,针对性强,扩展能力几乎为零。本文针对产品外观缺陷检测方法进行深入研究,主要工作如下:1、针对传统多对多模型视觉检测方法(即针对不同类型的缺陷设计不同的检测算法)的复杂性和低扩展性,本文提出了基于多特征低秩稀疏分解(MF-LSMD)模型的缺陷目标检测方法。本文方法为一对多模型,即MF-LSMD模型可以针对多种材料和类型的外观缺陷进行检测,较传统视觉检测方法更加简单有效。而模型的构建融合灰度颜色、梯度和纹理等多种视觉特征,提高了MF-LSMD模型对产品外观缺陷检测的准确性、鲁棒性和扩展能力。2、针对MF-LSMD模型的优化求解,深入研究低秩稀疏分解理论和矩阵奇异值分解原理,本文提出基于随机奇异值分解的非精确增广拉格朗日乘子法(R-IALM)。随机奇异值分解(RSVD)是一种采用高斯随机采样策略的部分奇异值分解算法,有效提高R-IALM算法优化求解MF-LSMD模型的效率,从而提高了MF-LSMD模型对产品外观缺陷检测的快速性。最后,针对产品外观缺陷目标检测,基于金属工件数据集和铝板数据集对提出的MF-LSMD模型进行定性实验分析和定量实验分析。结果表明,本文提出的MF-LSMD模型缺陷检测方法准确、快速、鲁棒,并且有较好的扩展能力。