玻璃纤维无捻粗纱是由成百上千股细小的纤维组合而成,基于此种结构,导致在复合材料拉挤或拉挤缠绕工艺生产过程的断裂视觉特征难以识别。此外在生产过程中,其形状会随着纱架、分纱板的抖动发生变化,对断纱的视觉检测提出了更高的挑战。目前,拉挤生产线的纤维检测依然采用经验丰富的人工检查方法。为提高生产效率及生产质量的可靠性,本文将机器视觉与人工智能算法有机结合,提出了一种拉挤成型工艺中断纱的识别算法,解决断纱的形状、纹理、几何法以及特征提取的难题。为实现以提高复杂工况下断纱识别的能力,运用机器视觉、信号处理等理论,提出了图像缩放算法以及用优化算法优化最大类间方差法。在此基础上,本课题研究并设计了基于机器视觉断纱缺陷检测系统。主要研究内容包括:（1）针对玻璃纤维无捻粗纱在拉挤或拉挤缠绕工艺中断纱检测效率较低以及检测准确受主观因素的影响等问题,展开基于机器视觉检测技术和检测算法的研究,搭建了机器视觉断纱缺陷检测系统试验台。（2）针对数据采集过程中高数据率检测的实时性和数据的冗余等问题,提出了高斯曲率图像缩放算法,解决了图像缩放过程中图像边缘信息的丢失,采用最小距离调整原则以及选择最小的投影算子对缩放中的图像进行微调,避免了高频部分信息出现损失,导致边缘模糊,方块效应,细节退化,减少了相邻像素间灰度值存在突变。（3）针对设备的抖动、每股纱之间的排列以及相互遮挡等因素造成了图像分割问题,提出基于动态分组和权重学习的教与学算法（GDSWLTLBO）,将DGSWLTLBO算法与Otsu算法结合提高了图像分割的质量,有效的降低了在运行时间以及避免在教学过程陷入局部最优、提高了探索能力与寻优能力,保证了算法的全局收敛性,提高了分割准确率。（4）由于断纱的变形、光照条件和背景干扰、相机抖动以及其他物体的阴影和遮挡造成不能有效提取断纱的相关像素,以及帧间差分法对阈值的选取敏感等问题。提出DF-Half-Alexnet模型,选用三帧差分法解决不能有效提取断纱相关像素的问题,选用神经网络选取帧间差分法的阈值对断纱进行判断的操作,解决差分法在快速检测异常对象时对阈值的敏感问题。