在工业生产中,通常使用自动点胶机对需要粘连的物件进行点胶,但是由于多种因素的影响,胶水会产生许多缺陷,例如断裂、溢胶、缺胶等。为了不影响产品质量,有必要对点胶质量进行检测。依靠人力对点胶质量进行检测具有效率低,主观性强,易疲劳等缺点。为解决上述缺陷,本课题利用计算机视觉方法构建针对点胶缺陷的自动光学检测系统,也称点胶缺陷检测系统,对胶条有无缺陷和缺陷类别进行自动检测。本文针对点胶缺陷检测系统的需求以及机械结构,制定了检测的工艺方案、运动控制方案以及光学检测方案。将点胶缺陷分为多胶、少胶、断胶、扭曲以及气泡共五种类别,将基于图像处理的检测算法和基于卷积神经网络的深度学习算法进行了对比。在图像处理算法方面,针对多胶和少胶缺陷,对胶条图片进行相应的预处理,得到二值化图像,进行边缘提取,得到轮廓的最小包围矩形,再将得到的矩形区域进行垂直或水平调整,进行像素值数量的统计,根据像素值个数的最大最小值差值以及投影图中的曲线形状来判别是否存在缺陷;针对断胶缺陷,为了得到胶条在图片边缘的轮廓,将图像进行边缘扩张,对预处理后的二值化图像进行闭运算,再进行轮廓提取,统计轮廓的数目以及面积大小,作为判别是否存在断胶缺陷的依据;针对扭曲缺陷,在进行边缘扩张以及预处理后,对得到的边缘轮廓进行凸缺陷的面积计算,将该值作为阈值,以检测缺陷的存在;针对气泡缺陷,由于气泡的特征是圆形,故对胶条图片进行霍夫圆变换,统计检测出的圆形个数以及面积大小。基于图像处理的算法只能针对特定的应用场景,缺乏通用性,并且算法准确率不是很高。在深度学习算法方面,通过模型比较,最终使用了Lenet-5神经网络模型,同时在此基础上提出了改进方案,分别为数据增强、迁移学习和改进网络结构。通过实验数据分析得到,数据增强与改进网络结构相结合的模型在点胶缺陷分类问题上的效果最好,并且在每类缺陷上的准确度和单张图片的测试时间都优于图像处理算法,故本文将基于卷积神经网络的深度学习算法作为点胶缺陷检测系统的检测模型。针对模型检测过程的可视化问题,本文编写了相应的软件检测页面,实现了端到端的检测。