近年来,随着塑料制品应用领域的不断拓宽,注塑成型技术越来越受到人们的关注,人们对注塑制品的表面质量要求也越来越高。目前,通常采用在线人工检测和离线抽样分析相结合的方法对注塑制品表面进行检测,但这些方法存在检测精度低以及稳定性差等问题,严重降低了生产效率。因此,迫切需要一种高效可靠的技术对注塑制品表面缺陷进行检测。机器视觉是伴随着计算机技术的发展而兴起的一门新兴技术。本文应用机器视觉和数字图像技术进行注塑制品表面缺陷自动检测识别系统的基础性研究。注塑制品表面缺陷形态各异,类型多样。本文将介绍注塑制品常见的表面缺陷,并分析它们的形成机理。根据几种常见的表面缺陷类型,制定了缺陷检测软件系统的总体方案,开发注塑制品表面缺陷自动识别的软件模块,并针对图像处理过程中遇到的问题提出了相应的解决方案。采集得到注塑制品图像的背景是复杂的,不适于直接进行缺陷检测,本文研究了相关的图像处理算法,采用了模板匹配的方法对图像进行旋转校正,提取ROI(Region Of Interest)区域,实现了背景的完全消除;针对制品表面上存在的文字、商标、孔洞、凸缘等干扰区域,提出了使用Mask算法对干扰区域进行屏蔽,该方法不仅完全消除了干扰区域,而且提高了检测系统对制品和外界环境的适应能力,也提高了系统的实用性。针对注塑制品表面缺陷较小且不明显的问题,本文采用边缘检测和图像加法运算相结合的方法,锐化图像的边缘,使轮廓更加清晰,有利于图像分割。重点讨论了阈值分割算法并进行仿真了实验。通过实验,比较了最大类间方差法、最大熵法、簇集法、矩法以及加权误差最小法的优缺点,最后采用最大类间方差算法进行图像阈值分割,完成图像二值化。针对二值化图像中小颗粒对缺陷的影响,采用开运算和闭运算相结合的数学形态学方法将其滤除,最后得到仅有目标缺陷的二值图像,为缺陷特征提取和缺陷识别奠定了基础。本文对注塑制品常见表面缺陷的分类进行了研究,提取缺陷区域的面积、周长、圆形度、矩形度、细长度等几何形状特征以及对缺陷区域具有旋转、伸缩不变性的Hu矩的特征参数。并根据实验,在众多特征中选取圆形度、矩形度、细长度以及Hu不变矩的前4组特征参数,组成7维的特征向量作为神经网络的输入数据,为缺陷识别提供了依据。研究了基于BP神经网络的分类器,并根据本系统的特点和要求构造了基于BP神经网络的分类器,对注塑制品表面缺陷进行了识别。通过实验表明,BP神经网络对注塑制品表面缺陷的识别率平均达到了84.44%。本文同时还分析了影响识别率的原因。