近年来,工业视觉产业呈现快速发展模式。在工业产品生产过程中,表面会产生一些缺陷,其中最难检测的是一种对比度较低、边缘模糊、形状不一、面积大小不一的表面缺陷。目前,工厂主要依赖人工检测,不仅检测成本过高,时间较长,而且漏检误检过多,无法满足现代化生产的需要。于是稳定、准确、快速的自动化低对比度表面缺陷检测方法已经成为工业发展的迫切需求。本研究课题立足于解决工业产品中的低对比度表面缺陷难以检测的难题。在调研了图像分割方法、图像背景重建方法和特征分类等其它方法对低对比度表面缺陷的检测效果之后,确定以背景重建方法为主要研究方向。首先分析了几种经典的基于背景重建的表面缺陷检测技术,针对这些方法中出现的检测结果不精准且受噪声污染严重等问题,提出一种图像背景去除、突出缺陷的检测思路,其步骤有:首先,基于样本学习和图像基表示建立低噪、低损的高质量背景模型,通过图像背景去除得到候选缺陷轮廓;其次,对背景抑制后的缺陷图像进行灰度拉伸、中值滤波和膨胀处理,增强缺陷区域的可视性;最后,对目标缺陷区域进行精准定位和分割。论文紧密围绕实际应用需求,主要开展了以下几个方面的工作,包含了本文的主要创新点。●提出了基于样本学习和图像基表示的背景重建方法,基于独立成分分析模型,引入样本学习和图像基表示的机制,重建出相对理想的背景图像。●提出了基于差分图像灰度值均值和方差的灰度拉伸算法,增强潜在缺陷区域对比度和可视性的同时,降低了噪声的干扰。●借助改进的CV模型水平集对差分图中的缺陷进行精定位和分割,引入自适应内外灰度差异项和惩罚项,快速而准确地定位和分割出缺陷区域。最后,根据研究成果,搭建了低对比度表面缺陷检测系统平台,并应用于TFT-LCD屏mura缺陷检测。实验结果表明,本文提出的基于图像基和水平集分割的方法,相比传统的检测方法,具有一定的应用前景。