随着机器视觉理论和电子信息技术的发展,机器视觉技术已经广泛应用于各个领域,机器视觉检测技术具有非接触、高精度、高效率和实时性强等优点。目前,网片质量检测采用人工检测方法,这种方法检测准确率不高且效率较低,大大降低了网片生产的自动化水平。本课题将机器视觉检测技术应用于网片质量检测中,对基于机器视觉的网片质量检测方法进行了深入的研究。论文主要工作及结论如下:首先,从图像滤波、图像分割和边缘检测三个方面进行研究,对几种常用算法的理论和参数选择方法进行了探讨;通过实验对比,对算法处理结果和处理时间进行了综合考虑,最终选择了中值滤波算法、Otsu算法和Canny算法对网片图像进行预处理。其次,为了完成对每个网目的尺寸测量,采用基于连通域分析的方法对每个网目区域进行分割;在研究Hough变换的基础上,根据网目图像的特点,提出了一种改进概率Hough变换算法,通过对网目图像进行区域分块处理,同时利用像素点的梯度方向信息限定直线检测的参数范围;采用改进后的概率Hough变换算法检测每个网目的直线特征,根据检测到的直线信息计算网目尺寸,并通过实验验证了提出的改进概率Hough变换算法有效地提高了直线检测速度和尺寸测量精度。然后,按照缺陷特征将网片缺陷分为网目缺陷和结点缺陷两大类,并分别提出了网目缺陷检测方法和网片结点分割方法;分别提取两类缺陷的几何特征和纹理特征,并采用主成分分析法进行特征选择,以降低特征的维度;对BP神经网络和SVM两种常用的模式识别方法进行了研究,深入探讨了分类器的参数选择方法和BP神经网络的改进算法,设计出基于改进算法的BP神经网络分类器和SVM分类器,并进行了实验对比,实验结果表明基于Levenberg-Marquardt算法的BP神经网络分类器具有更高的分类准确率,且泛化能力更强。最后,完成了网片质量视觉检测系统的设计与实现,包括关键硬件的选型、检测平台的搭建、软件功能模块的设计和系统实现;并通过实验验证了本系统在测量精度、检测准确率和检测速度等方面均有较大的提高,满足了工程上的要求。综上所述,本文对基于机器视觉的网片质量检测技术进行了研究,对网目尺寸测量方法和网片缺陷检测与分类方法进行了深入探讨,提出了检测速度快、准确率高的检测算法,建立了一套网片质量视觉检测系统,实现了对网片质量的自动化检测,提高了网片生产的智能化水平。