曲面玻璃越来越多用在手机上,但在手机曲面玻璃生产过程中会产生一些外观缺陷,因此需要采用有效的方法对手机曲面玻璃质量进行检测。由于机器视觉技术有着高效、客观、稳定性好等优点,本文以手机曲面屏为研究对象,基于机器视觉技术对划痕、麻点、崩边、烧伤四种典型缺陷进行提取和识别分类研究。首先,对手机曲面玻璃缺陷图像获取中的技术难点进行分析,分析手机曲面玻璃上平面部分、曲边部分、R角部分的缺陷图像获取方法。针对平面部分,采用线扫平台获取缺陷图像;针对曲边部分,提出了一种基于建模分析的图像获取方法;针对R角部分,提出了一种基于多焦距图像融合的图像获取方法。其次,对手机曲面玻璃三大部分的缺陷提取算法进行研究。针对平面部分,提出了一种基于图像匹配的缺陷提取算法;针对曲边部分,提出了一种基于连通域分析和面积阈值分割的缺陷提取算法;针对R角部分,提出了一种基于多焦距图像融合的缺陷提取算法。然后,对手机曲面玻璃典型缺陷识别分类方法进行研究,提出一种基于卷积神经网络非端到端的缺陷分类方法,设计了一个包含5个卷积层、5个池化层、2个全连接层的CNN网络模型,采用Adam算法对该模型进行训练优化,最终完成识别分类。实验结果表明,在相同的CNN网络结构下,基于非端到端的缺陷识别方法具有较高的识别率,且对CNN网络模型要求较低。最后,对手机曲面玻璃缺陷检测系统进行硬件平台搭建和软件框架设计,并进行缺陷提取实验和缺陷分类实验研究。实验结果表明,本文提出的手机曲面玻璃三大部分的缺陷提取算法可达到95.3%的准确率。分类识别实验中,基于非端到端的缺陷分类方法的识别率为98.6%。