铝管是一种常用的管材,被广泛用于建筑工业和汽车产业等领域,在汽车管片式散热器中铝管即为冷却管,是汽车散热器中的重要组成部分。铝管在生产运输过程中可能会有所损坏,所以在铝管与散热片装配成散热器芯之前,铝管需要检测缺陷并分拣。目前,铝管的缺陷检测任务主要是通过人工检测来实现,但是人眼排查铝管质量的工作效率低而且难以满足工业生产的需求。本文采用机器视觉技术对铝管表面缺陷检测展开研究,利用机器视觉的高效和可重复性的优点,弥补人工检测的不足。论文分析了铝管表面缺陷的类型以及其产生的原因,根据工业工艺要求设计铝管表面缺陷检测的图像采集装置,确定了缺陷检测单元的工作流程以及硬件选型。因铝管表面对光线有反射特性,所以采用暗视场照明的方式。首先,对采集到的图像进行预处理,针对铝管图像采集时光照分布不均匀和高光饱和的现象,本文提出一种基于双高斯滤波的图像增强算法,该算法利用数值相似性高斯函数和多尺度高斯函数相结合的方式提取出图像的光照分量,对光照分量进行恢复校正,有效改善铝管图像中光照不均匀的区域。通过边缘检测算法定位铝管区域并去除掉背景图像,防止图像中背景区域干扰铝管部分的信息处理。其次,为实现铝管良品与次品的较高精度检测,本文提出一种基于鲁棒性主成分分析（Robust Principal Component Analysis,RPCA）的铝管表面缺陷检测算法,通过求解铝管图像原始数据矩阵的RPCA模型得到稀疏图像,对稀疏图像进行阈值分割和形态学处理,根据二值图像的缺陷像素面积和预设阈值对比结果,判断铝管是否存在缺陷。最后,本文采用深度学习的方法对带缺陷的铝管图像进行分类识别,先制作铝管缺陷图像数据集,然后通过调节Alexnet网络参数进行模型训练和测试,根据测试集的准确率验证网络模型对铝管缺陷图像分类的性能。基于RPCA的铝管表面缺陷检测算法对铝管的检测准确率可以达到97.3%,证明该算法的有效性,但是该算法并不能识别铝管的缺陷类别,所以采用基于Alexnet网络的方法对铝管表面缺陷图像进行分类,实验结果表明该方法的缺陷图像分类的准确率可以达到92.91%,满足工业上对分类准确率的要求。