玻璃瓶容器在医学、化学等领域被广泛应用,随着工业自动化的发展,人工检测玻璃瓶缺陷已经不能满足需求,使用机器视觉代替人眼完成缺陷检测已经成为玻璃瓶缺陷检测的必然趋势。目前我国的基于机器视觉的玻璃瓶检测设备不如德国、美国等发达国家的视觉检测设备先进。但是,由于技术保密等原因,国外的进口机器视觉设备价格非常昂贵,导致了该类设备的工业应用受到限制。本文首先设计一种基于图像处理算法的玻璃瓶缺陷检测和缺陷范围判定的方法。根据玻璃器皿的生产环境与玻璃材料的导光性和折射率设计光源照明方式和实验平台。对采集的玻璃瓶缺陷图像做出预处理,包括图像去噪、图像增强、图像锐化、边缘检测和阈值分割等图像预处理算法。对预处理得到的图像做出特征提取,根据提取的图像特征设置软件的参数从而判断玻璃瓶是否存在缺陷,同时利用图像特征连通区域信息确定出玻璃瓶缺陷的位置和范围。其次开发了深度学习算法,完成对玻璃瓶裂纹、气泡、结石、冷斑等缺陷的识别。主要过程是将不同缺陷的样品玻璃瓶构建成深度学习的数据集,构建Le Net-5卷积神经网络和VGG-16卷积神经网络并对网络的性能做出评估,通过设置网络的初始超参数,使用训练集数据对卷积神经网络做出训练,对网络训练后的训练集损失函数曲线作出分析,观察网络训练的效果,并使用验证集数据对卷积神经网络性能做出验证,通过验证集对神经网络的验证结果调整设置的初始超参数,重复进行卷积神经网络的训练与验证后,将网络的性能调整至最佳状态,最后用测试集数据测试卷积神经网络的缺陷识别准确率。对比Le Net-5卷积神经网络和VGG-16卷积神经网络的准确率数据,分析两种网络的识别性能。基于搭建的实验平台和上述算法实现了玻璃瓶瓶口和瓶身的缺陷检测。