随着注塑成型技术的不断发展,人们对注塑制品的尺寸精度与表面质量要求越来越高。目前国内注塑制品的尺寸检测和表面缺陷识别主要以人工方式进行,自动化程度不高且效率低下。基于机器视觉的检测技术具有非接触性、高柔性及速度快的特点,可代替人工检测,实现检测任务的高效化、自动化和智能化。本文研究了利用机器视觉技术对注塑制品关键尺寸进行检测以及对表面缺陷进行识别。本文完成了注塑制品尺寸检测及表面缺陷识别系统的硬件和软件部分的整体设计,包括关键硬件,如光源、工业相机及镜头等的选型,软件系统框架和功能模块的设计。并基于MFC(Microsoft Foundation Classes)开发了图形用户界面。针对注塑制品图像处理难题,重点研究了在本文的尺寸检测系统中涉及到的图像处理关键技术,如图像灰度化、图像增强、图像滤波、图像分割、图像边缘检测技术等,并在对比实验效果的基础上选择了对本文制品图像处理效果较好的算法,准确地提取了制品的边缘,为后续尺寸检测任务打下良好的基础。本文在研究Hough变换的基础上,提出了一种适合本文注塑制品的直线特征检测算法,并使用该算法对图像中的直线特征进行识别,该方法能在保证检测效果的前提下减少传统Hough变换的存储量和计算时间。在检测的直线特征的基础上,实现了对注塑制品关键尺寸的检测,并通过实验验证了检测精度,同时进行了误差分析。针对当前注塑制品表面缺陷识别算法需手动提取特征、需要专业知识的缺点,提出一种基于卷积神经网络(Convolutional Neural Networks,CNNs)的注塑表面缺陷识别方法。方法对传统卷积神经网络结构进行了改进,优化了网络,并以注塑制品的短射、熔接纹缺陷为研究对象,通过实验验证了其识别效果。实验结果表明,网络对短射、熔接纹缺陷的识别率分别达到99.91%、99.08%。