陶瓷基片具有耐高温、电绝缘性能高、热导率大、化学稳定性好、与元件的热膨胀系数相近等主要优点,已被广泛应用于航空航天、家电、汽车电子等领域。在生产制作过程中,陶瓷基片经常会出现斑点、缺损、堵孔、崩缺和多料等缺陷,但目前对其缺陷的检测主要依靠人工目检来完成,存在效率低、成本高、准确率随着检测人员疲劳而降低等问题。因此,本文基于企业的合作项目,根据客户要求,结合陶瓷基片的缺陷特点,应用机器视觉、图像处理和深度学习等技术,对陶瓷基片缺陷检测与识别算法进行了研究,并开发了一套基于机器视觉的陶瓷基片缺陷检测系统。论文的主要工作内容如下:1.通过改进的多次中值滤波方法对陶瓷基片原始图像进行去噪完成图像的预处理,然后利用改进的Canny边缘检测算法和Otsu阈值分割法提取陶瓷基片的缺陷区域,并结合几何特性与拓扑特性对提取的缺陷区域进行分析。2.根据陶瓷基片的缺陷特点,运用全局阈值分割、形态学处理以及差分等方法设计了基于图像处理技术的陶瓷基片缺陷识别算法。该算法在测试集中的总体检测准确率能达到92.3%,基本满足企业检测需求。3.对卷积神经网络和相关模型结构进行了研究,论文设计了基于深度学习的陶瓷基片缺陷检测算法,利用网络模型Deep Lab V3和PSPNet完成了陶瓷基片缺陷的检测,并使用损失函数、像素精确度、交并比、预测准确率等多个指标对实验结果进行分析,结果表明基于深度学习的Deep Lab V3网络在陶瓷基片缺陷检测上具备明显性能优势。4.对基于图像处理方法和深度学习这两种缺陷检测算法在检测准确率、稳定性等方面进行对比分析,得出基于深度学习的陶瓷基片缺陷检测算法性能更优。然后选择合适的相机、光源和镜头等搭建了系统硬件平台,利用C#联合Halcon完成了检测系统软件以及检测界面的实现。测试表明,基于深度学习的Deep Lab V3网络的陶瓷基片缺陷检测系统对于测试集的检测准确率达到了95.0%,能满足厂家对于陶瓷基片缺陷检测的要求。本文的研究成果对其他产品的缺陷检测同样具有一定的借鉴意义。