随着人力劳动成本的攀升,在装配生产线上自动化和智能化的需求越来越高。尤其是在一些微小精密零件的生产装配线上,高强度高精度的要求往往是人力检测达不到。本文针对液压泵零件装配质量提出了高效智能的检测方法,它应用机器学习的手段检测液压泵的叶片零件在装配过程中出现的问题。在硬件系统章节,参考传统机器视觉系统的架构,并根据液压泵零件图像的特点设计一套合适的硬件系统,包括相机、光源、镜头和主机的信息,并给出检测系统中每个硬件的关键参数以及选择每个硬件的标准。综合成本、性能等因素提出了一套合理的机器视觉方案。在图像分割章节,主要研究液压泵图像中的叶片提取算法。先是介绍阈值分割法和边缘分割法等常用图像分割方法,然后分析液压泵装配图像的特点,发现液压泵零件图像本身有丰富的几何特征,例如由许多环形和矩形组成。利用底座图像是个圆环的特点,提出通过霍夫圆检测手段检测出底座和叶片的图像,然后通过坐标变换将其转换到极坐标系中,最后对极坐标系中的底座和叶片图像进行像素投影从而得到叶片图像。在图像特征章节,首先简单介绍了图像特征中的角点特征和局部二值模式(LBP)特征。研究了叶片图像在不同安装状态下的特点和各种特征的应用范围,然后提出一种新特征Gabor灰度共生矩阵混合特征去识别叶片的装配质量并且相比于其它特征有10%的效果提高。在分类器章节中,对比经典的模式识别中的分类器逻辑回归分类器和支持向量机(SVM)分类器。根据液压泵零件装配图样本短缺的情况和图像特征的特点提出使用支持向量机分类器对叶片装配质量进行检测,使得液压泵装配质量检测系统检测准确率达到了0.916。最后借鉴在目标跟踪领域中算法的在线学习系统和分类器的更新策略,设计了支持向量机在线学习方案,使液压泵装配质量检测系统更加智能,更好适应外界环境的变化,同时降低设备维护成本。