金属拉链在生产过程中,由于各种原因导致拉链链齿、拉头和限位码的缺失,链带存在边缘破损、有污垢等缺陷。金属拉链外观质量判断一直是影响产品生产效率的一个难题。随着计算机技术的发展,利用数字图像处理技术实现产品外观质量的自动鉴别已成为解决这一难题的有效途径。本文研究探索一种基于改进型脉冲耦合神经网络(Pulse Coupled Neural Networks, PCNN)和灰度跃变检测算法的金属拉链缺陷检测方法。本文以金属拉链产品外观质量自动检测为研究对象,依靠数字图像处理技术,将脉冲耦合神经网络、数学形态学算法、区域像素分析和灰度跃变检测算法运用于图像分割、特征提取及图像边缘分析中,设计了金属拉链缺陷自动检测系统。首先,本文介绍课题研究内容的相关市场需求、技术背景和研究意义；分析数字图像处理技术在金属拉链外观质量检测中的运用现状、脉冲耦合神经网络的图像分割和其在数学形态学领域的研究现状。其次,根据金属拉链外观质量检测的功能需求、技术特点提出系统的总体设计方案,分析硬件构成和系统运行机理,完成对图像传感器、镜头、光源、光照箱等硬件的选型和设计。最后,在软件设计部分,通过对几种常见图像滤波算法的特性分析,结合实验分析结果选择适合于拉链图像特征的滤波算法；根据拉链图像特点和系统技术要求,为提高金属拉链图像二值分割处理速度,降低检测算法复杂性,对传统脉冲耦合神经网络进行改进,结合几种常用分割算法进行拉链图像分割实验,对比分析图像分割性能实现图像特征提取；研究利用数学形态学算法和脉冲耦合神经网络提取拉链特征目标,根据实验结果分析两者优劣,探索合适的图像特征目标提取算法,并在此基础上分析链齿和链带边缘缺陷；通过分析特征图像边缘区域的灰度变化程度,检测灰度跃变点,从而识别拉链链齿和链带区域存在的缺陷,实现对拉链产品外观质量的自动检测。实验结果表明：(1)本文对脉冲耦合神经网络进行改进,减少网络参数,解决了传统脉冲耦合神经网络参数过多、模型过于复杂等问题,在不影响网络工作特性原则下,提高网络运行速度,通过遗传算法获取最佳网络模型参数,实验结果显示该算法可以快速有效地从背景图像中分割出金属拉链边缘轮廓,其有很强的适应性；(2)在运用脉冲耦合神经网络的自动波特性提取拉头、左右限位码等图像特征点,将传统数学形态学算法和脉冲耦合神经网络算法进行了实验对比分析。在相同的软硬件平台和操作系统实验条件下,利用上述两种算法对多张系统随机获取的尺寸为640*480的金属拉链图像进行特征提取,实验结果表明,采用传统数学形态学算法提取拉头、左右限位码时,会存在不能完全准确提取或过度分割的现象,稳定性较差,而脉冲耦合神经网络算法能够有效区分不同特征目标,稳定性好,获取的边缘图像轮廓清晰,可以看出本文采用的算法相对于传统算法更加适合于拉链图像特征；(3)在缺陷分析实验中，对不同缺陷类型产品进行批量性测试,结果表明本文采用区域像素分析和灰度跃变检测算法,可以快速准确判断出相关区域中是否存在相应部件的缺失或不规整,本文设计的金属拉链缺陷自动检测系统满足生产的现实需求最后,对本文的研究工作进行总结,并给出了后续研究的建议。