湿法薄毡是一种重要的建筑材料,其高质量的批量生产可推动国家各项基础建设的发展。然而,目前针对于该产品的质量检测方法主要依靠于人工,在有精度差、效率低和难以保存瑕疵等缺点的同时还严重危害作业人员的身心健康。本文旨在研究基于机器视觉的湿法薄毡产品质量自动化检测方法,借鉴于现有的表面缺陷检测技术,解决目前湿法薄毡质量自动检测时遭遇的产品种类繁多、缺陷杂乱、先验知识不足等问题。主要工作如下:首先,研究与分析该产品质量缺陷的种类与特点,设计了一种针对于该产品的快速有效的缺陷自动检测算法。该算法基于Otsu自动分割算法,依靠不断剔除背景区域的逼近思想,通过迭代的方式缩小目标区域,直至发现缺陷区域。在预处理阶段,使用滤波和形态学方法去除部分噪声。再组合利用归一化方法增强缺陷区域并分散背景区域。最终,以连通区域面积为阈值排除背景部分。检测到缺陷后,根据其外形、灰度值等简单特性辅以人工制作标签,为机器学习模型准备好训练数据。其次,为最大化利用已获得的无标签数据,选用机器学习中的半监督支持向量机进行训练。在提取特征时,为了平衡特征提取时间和特征表达能力,选择两种计算速度较快的特征进行融合。在多次实验中,随着无标签数据的增加,分类的效果也在稳步提升,证实半监督支持向量机可有效利用无标签数据以提升分类效果。同时,实验显示,半监督支持向量机参数的初值选择对分类结果影响较大,比较依赖于人工经验。训练好的模型可直接用于产品缺陷的检测与分类。最后,为提高半监督分类器的精度,使用差分灰狼优化算子对其进行了改进。综合狼群优化算子的局部搜索能力和差分进化算法的全局搜索能力,得到差分狼群优化模型。用该模型优化半监督支持向量机中依靠人工经验输入的参数,从而提升分类精度。经实验证明,差分灰狼优化算子在分类的各个指标上皆优于狼群算法和差分进化算法。同时,相较于其它启发式搜索算法也有较好的效果。最终,分类准确率可提升到97.20%以上。