压延玻璃在生产中极易产生气泡、结石等缺陷,有些缺陷会破坏生产过程,甚至危及生命安全。传统的人工检测方式效率低下,容易出现漏检和误检的现象,而自动化机器视觉因具有效率高、结果客观、数据易存储等特点,被逐渐应用于工业生产中。然而相关核心检测技术一直被国外垄断,因此本文的研究具有重要的意义。本文分别从硬件和软件方面着手,对压延玻璃缺陷检测中的关键技术进行了研究,最终实现了玻璃缺陷的提取和智能识别:首先,为采集良好的图像,本文通过分析玻璃缺陷的类别及其特点,在指定精度条件下设计缺陷检测设备并对光源、相机、镜头、采集卡等部件的参数进行分析和比较,最终选择合适的硬件设备并搭建实验平台。其次,针对压延玻璃图像中缺陷的特点,提出了基于图像对比和图像签名的显著图算法,该算法增强了压延玻璃的缺陷。最终的显著图由候选图和重构图进行线性乘融合得到:候选图是基于图像对比的显著图,重构图是对原图进行离散余弦变换后再依次利用图像签名方法、反离散余弦变换和高斯模糊后求得的。文章通过几个视觉性注意力预测实验和显著性区域检测实验对显著图的生成效果进行了比较。实验结果表明该算法能提取轮廓清晰的玻璃缺陷且具有稳定性。再次,利用基于显著图模型的缺陷分割算法对缺陷区域进行分割,为缺陷的特征提取做准备。这些算法包括亮度均衡化、显著图的生成、形态学处理、阈值分割、缺陷区域分割及缺陷区域矫正。最后,本文选取结石、划痕和裂痕进行分类对比实验。针对不同种类缺陷的特点,提取了缺陷的长宽比、矩形度、圆形度等几何特征以及能量、逆方差等纹理特征。在不同实验条件下,为SVM分类器选取最佳核函数和参数来训练提取的特征。实验结果证明,当对随机选取的30个样本进行识别时,总识别率可达90%。