随着工业4.0时代的发展,工业生产过程已经逐渐由自动化迈入智能化阶段。针对一次性无菌湿毛巾表面缺陷检测对高品控、高效率的需求,传统的人工检测存在小缺陷检测精度低、速度慢、易二次污染、主观性强等缺点和局限性。与传统检测技术相比,基于机器视觉的外观检测技术检测结果准确且实时性较高,节省了大量的人力和时间成本。针对以上问题,本文研究了能够自动、快速、准确地完成一次性湿毛巾缺陷检测的算法,其中囊括了基于传统视觉的检测算法与基于深度学习的目标检测任务。主要研究内容及成果如下:1)毛巾表面缺陷图像采集系统设计。本章主要介绍了图像采集系统的搭建和数据集的采集、处理等过程。首先对相机、镜头、补光设备等进行选型,设计符合要求的补光角度和拍摄角度,搭建完整的图像采集平台。然后采用自动化图像采集设备,对毛巾表面缺边、缺角、脏污等几类缺陷进行图像采集,构建毛巾表面缺陷检测样本库,包括训练集、测试集和验证集。最后对毛巾缺陷检测系统的技术要求指标进行阐述和分析。2)传统方法毛巾缺陷检测算法。在缺陷检测中,通常只有当传统方法无法满足检测需要时,才引入深度学习算法,所以本章针对常见的毛巾缺陷,在透射式照明成像方式下,分别对同一毛巾多次采集的数据、同一图像不同位置采集的数据等各种情况下的灰度进行分析,提出了一种基于中值滤波与阈值分割相结合的毛巾缺陷检测算法。首先对毛巾图像信息进行中值滤波预处理,抑制噪点干扰信息;然后通过阈值分割算法对中值滤波后的毛巾缺陷图像进行分割,通过计算轮廓面积来判断是否存在缺陷,并统计该图像上缺陷的个数和特征;最后通过与真阳性缺陷个数进行对比分析,检验了本算法对毛巾缺陷检测的有效性。3)深度学习方法毛巾缺陷检测算法。首先介绍了本文毛巾缺陷数据集的标注方式,还对卷积神经网络中卷积、池化、全连接等步骤的原理作了详细说明。为了兼顾检测速度和精度,提出了一种改进的基于MobileNet＿SSD网络的毛巾缺陷检测算法。该算法采用特征金字塔,在不同尺度的特征图上进行预测;同时将VGG＿SSD网络结构中的VGG网络替换为更轻量化的MobileNet网络,提高计算效率的同时,还维持了较高的识别准确率;特别是对模型输入图像进行倾斜图像矫正和背景蒙版后再训练的改进,大大提升了原算法对倾斜缺陷目标的检测能力,抑制了背景环境对缺陷检测的干扰问题,提高了检测准确率;通过实验设置的软硬件环境、数据设置、模型设置,对网络进行训练,并对验证集数据进行测试。通过实验评价指标对实验结果进行分析,验证了本算法能够满足毛巾缺陷检测的要求:在准确率、精确率、召回率和F1值上分别有4.87%、4.35%、3.78%和5.03%的提升,整体性能优于原始的MobileNet＿SSD网络,可以更高效、准确地完成毛巾生产缺陷检测需求。