连续压机刨花板生产线是目前最为先进的刨花板生产设备,但由于原料、生产工艺等原因,会有一些产品板面出现大刨花、胶斑、油污、松软和漏砂等缺陷。表面缺陷会降低板材强度、影响二次加工,给企业带来经济损失。国内企业目前都是依靠人工肉眼检测缺陷,工人长时间工作极易产生视觉疲劳,导致漏检率和误检率较高。目前,国内外对板面缺陷自动检测的研究主要集中在木材、旋切单板和胶合板,尚无成熟的刨花板表面缺陷检测系统投入生产。因此研发刨花板表面缺陷在线检测系统成为了我国刨花板生产行业的迫切需求。本文将机器视觉技术应用于刨花板表面缺陷检测,设计、开发在线缺陷检测算法,实现了检测区域自动获取、板面图像校正、缺陷区域快速定位、缺陷分割以及缺陷类型识别。将系统在企业连续压机生产线上进行了搭建实施,实现了大刨花、胶斑、油污、松软和漏砂五种常见板面缺陷在线检测。论文主要的研究内容与结论如下:（1）设计并搭建刨花板表面缺陷在线检测系统硬件平台,对设备进行选型,设计、实现系统的控制流程。（2）实现板面检测区域自动获取和图像校正。提出基于图像梯度矩阵的自适应阈值边缘检测算法,利用图像梯度矩阵和比例系数自适应确定边缘的梯度阈值,解决边缘检测结果受到图像亮度影响的问题。将该算法与Hough变换相结合,计算板面倾斜角度,实现校正板面倾斜和检测区域自动获取。提出基于伽马变换和图像差分的校正方法解决板面区域图像光照不均问题,校正后图像中正常板面依然保持与缺陷的灰度值差异。（3）实现板面缺陷快速检测。提出基于灰度均值分类器和方差分类器的缺陷区域快速定位方法,建立图像灰度值矩阵和方差矩阵并进行区域连通,快速定位出缺陷所在的区域;提出自适应快速多阈值图像分割算法,自动确定分割阈值数量,并优化阈值搜索策略,实现缺陷区域的快速分割。对600张板面图像进行检测,正常板误检率为5%,大刨花和漏砂全部检出,胶斑、油污、松软的漏检率分别达到1.6%、4.0%和6.6%,平均一张图像的检测用时为867ms。（4）分别构建随机森林分类器和卷积神经网络分类器对缺陷类型进行识别。随机森林对缺陷分类的平均精确度和召回率分别达到94%和95%,平均每个样本特征提取和识别用时为41.28ms。卷积神经网络的平均精确度和召回率分别为87%和89%,识别时间为5.4ms。卷积神经网络分类效果比随机森林差,但识别速度更快,这为今后大数据环境下板面缺陷种类识别提供了新的方法。（5）本系统在企业连续压机刨花板生产线上进行了实施,每张板面平均检测时间1922ms,误检率为5.1%,漏检率为2.7%。系统缺陷检测准确率达到了97.3%,满足连续压机生产线在线检测要求,与国外类似系统低于70%的准确率相比有了大幅的提高。基于机器视觉的刨花板表面缺陷在线检测系统实现了连续压机生产线上板面缺陷的自动检测,降低了缺陷板的漏检率和误检率,减少板面缺陷给企业带来的经济损失,提高了生产线的自动化水平和运行效率,对我国刨花板产业的现代化发展起到了促进作用。