玻璃面板的高透光,低反射的特性导致其瑕疵的自动化检测难度很大,目前主要依靠人工进行检测,检测效率不高。因此,玻璃面板的自动化检测是工业检测领域亟待解决的难题。现在市场上的检测装置虽然可以起到一部分代替人工的作用,但是仍存在检测效率低,检测精度差,检测的结果不稳定等问题。为解决上述问题,本文从工业视觉角度出发,采用面阵相机和线阵相机结合的方案,对玻璃面板的瑕疵进行定位和分类,并对缺陷大小进行估计。在此基础之上,本文设计了一套完善的检测装置。主要的内容包括以下几个方面:1.采用工业视觉的方案进行瑕疵检测处理。通过考虑玻璃面板的特性选择适合的传感器相机进行拍摄,接着对相机的参数以及打光方案进行对比,找到合适的拍摄方法来获取图像,为后续的图像处理提供硬件基础。2.采用结构光方式对面阵相机拍摄的图像进行三维还原。首先对结构光模型进行分析,结合相机成像建立完整的拍摄模型。使用黑白格对系统参数进行标定,从而获得系统参数。将拍摄物体的相位图代入结构模型中得到玻璃面板的三维点云数据,从而实现对三维面型的还原。根据深度图像确定瑕疵所在位置,为后续处理步骤提供瑕疵范围,便于瑕疵分割提取。3.采用Yolo神经网络对图像进行瑕疵识别处理。首先对样本数据的瑕疵进行分割提取,获得瑕疵样本数据集。之后定义不同瑕疵类别,从而完成对数据集的标定。进而使用Yolo网络对样本数据进行训练,得到能够对瑕疵进行分类的网络模型。将测试数据代入模型中则可以框选出瑕疵。根据实际线阵相机拍摄参数实现对瑕疵大小的估计。4.对整体流程设计了瑕疵检测的嵌入式人机交互应用。根据拍摄流程对图像进行显示,可以实时观察到拍摄效果。同时对电源管理模块采用卡尔曼滤波算法对系统电量进行评估,从而可以判断光源稳定情况,保证打光强度。最后将图像处理算法集成于系统模块中,实现了流程化处理。整个流程可以将测量结果显示在交互界面上,直观的观察出瑕疵大小并给出相应的估计数据。本课题最终设计了完整的图像拍摄和处理系统,实现了玻璃面板的瑕疵检测,大小测量以及展示。通过实际测试,测量结果稳定,对大部分玻璃瑕疵均具有较好的适应性。