随着我国工业水平的进步,玻璃制品的产能日益增强,然而在玻璃的生产过程中,难免会引入诸如划痕、疖瘤、夹杂等缺陷,因此开发性能优良的玻璃缺陷检测系统对玻璃行业具有重要意义。机器视觉检测技术是通过计算机来模拟人的视觉功能,从客观事物的图像中提取特征信息,并应用于实际产品检测的一项技术。本文围绕实现机器视觉玻璃缺陷检测与分类的关键技术,搭建了基于机器视觉的硬件检测平台,对玻璃缺陷的特征进行了研究,并对玻璃缺陷进行分类,主要内容与研究结果如下:一、系统搭建:提出了基于机器视觉的玻璃缺陷检测技术的总体方案。硬件方面,给出了主要硬件设备的选型,搭建了稳定可行的硬件电控部分,能满足系统的电气传动、图像获取等模块要求,为后续的图像处理以及模式识别部分提供了可靠的基础。二、玻璃缺陷特征工程:从特征提取以及特征选择两部分入手,首先从5类典型缺陷图像样本中提取出缺陷区域,构建了缺陷区域的面积、周长、圆度、矩形度、凸度、不均匀度、蓬松度、结构因子、紧密度、均距、均距偏差、圆形度等12个特征维度,组成缺陷特征向量。接下来基于Embedded特征选择方法,通过基尼系数以及信息增益构建决策树模型,得到单颗决策树模型下的12个特征重要性排序。为了提高特征选择的准确性,采用随机森林与极限树模型预选出其中前四个重要的特征,其中随机森林模型下选出不均匀度、面积、均距、周长四个最重要的特征;极限树模型下选出面积、均距偏差、圆度、均距四个最重要的特征。在实验的准确率对比曲线上验证两类模型的性能,我们发现极限树模型不管是迭代过程中还是最终稳定情况的准确率都要高于随机森林模型。三、玻璃缺陷分类:采用支持向量机模型对5类玻璃缺陷样本进行分类。分别用4类核函数对支持向量机进行优化,发现rbf核函数以4.58ms的识别时间及95%左右的准确率综合最优。最终确定了以rbf为核函数的非线性可分支持向量机模型。完成训练学习后得出初始模型的损失函数与识别准确率。比较网格搜索与随机搜索两种参数优化方式对模型超参数C和γ的优化情况,实验表明随机优化后的超参数对模型的提升效果优于网格搜索的超参数对模型的优化效果。针对200张测试集,随机优化后模型的识别时间比网格优化的要快0.39ms,损失函数和准确率差距不大,但随机搜索在选择惩罚系数C取连续Uniform概率分布以及γ选择Exponential取对数概率分布后,其算法的寻优速度比网格搜索快1至2倍。