随着人们对玻璃器皿品质要求的不断提高,玻璃器皿的质量检测在玻璃生产中显得尤为重要。目前我国的主要玻璃器皿生产厂商的质量检测大都还是依靠人工灯检,这种检测方式存在检测效率低下、检测结果受到人为因素影响以及成本较高等问题,难以满足生产需要。随着机器视觉、模式识别等理论快速发展,机器检测被越来越多的应用到工业检测领域当中。本文设计了一套基于机器视觉技术的玻璃器皿缺陷检测识别系统,来代替传统人工检测的方法,从而提高了检测的效率和精度。本论文的主要研究内容如下:根据玻璃器皿实际生产过程和环境,结合机器视觉检测技术的基本原理,在研究分析了大量文献的基础上,设计了玻璃器皿缺陷检测系统的整体方案,包括硬件系统的构成、选型,光源照明方案和软件系统的检测算法流程等。分析了玻璃器皿图像的获取过程中噪声产生的原因和类型,在此基础上设计了玻璃器皿缺陷检测系统的图像预处理算法。对加权均值滤波进行了改进,设计了自适应加权掩模均值滤波算法。然后对图像进行了锐化和增强处理,采用了灰度变换和直方图均衡化对玻璃器皿图像分别从灰度值线性映射和灰度值动态拉伸两个角度进行增强,为下一步的缺陷分割奠定了基础。研究了玻璃器皿缺陷的检测分割算法,对比分析了几种不同的边缘检测算法和阈值分割算法的检测结果,并改进了传统Canny边缘检测算法。结合这两种检测算法可以实现对较容易检测缺陷的检测与分割。然后针对较难检测的微小缺陷设计了基于局部快速Otsu的检测算法,针对微弱缺陷设计了基于小波变换的检测算法,实现了对较难检测的玻璃缺陷的检测与分割。通过对缺陷图像进行分析,设计了玻璃器皿缺陷的特征提取算法。提取了缺陷的7个几何特征参数和7个Hu不变矩特征,组成一维特征矢量。设计了基于特征阈值的缺陷分类算法,这种方法简单、方便。为了进一步提高分类的准确性,本论文设计了基于BP神经网络的缺陷分类识别算法。通过对比两种分类算法的分类结果,以及分析了基于特征阈值分类算法存在的缺陷和BP神经网络的优势,本课题设计的系统最终选择了基于BP神经网络的分类算法。对系统进行了验证分析,基于Visual Studio 2010中的MFC设计了软件检测界面,并对检测结果进行了展示。