线束相当于自动化设备的“筋络”,由于自动化设备的大量使用,线束的需求量也是急速增长,线束质量检测问题也越来越突出。大多数企业一般采用人工检测法,在检测过程中存在检测准确率低,漏检率较高,成本高等问题,所以迫切地需要一种自动检测系统来取代人工检测,以提高线束检测的准确率,降低漏检率,进而提高线束的生产效率。为此,本课题研究了一种基于机器视觉的线束自动检测系统。本文的研究内容包括以下几个方面:（1）根据对线束检测的位姿需求分析,设计了检测系统的机械结构。重点阐述了视觉模块、线束位姿调整模块、图像处理模块、控制等模块。然后完成系统硬件平台的搭建,包括图像采集相机,以及机械传动部分等元器件的选型。（2）对线束质量自动检测算法进行了研究。在端子压接质量检测上,本文对比研究了两种深度学习神经网络模型,利用深度学习算法训练模型,判断线束的质量是否合格,然后对比两种模型哪一个更好。其中第一种方法为浅层的CNN网络,最终模型训练好后在测试集上的准确率为92.5%,在同样的数据集的情况下利用第二种方法Mobile Net网络得出最终在测试集上的准确率为94.2%。在颜色号码管匹配检测上,利用opencv进行线束颜色识别,分别利用Tesseract-OCR和百度云OCR进行号码管字符识别,判断是否匹配。在这一阶段实验数据为200个,Tesseract-OCR检测准确率达95%,百度云OCR检测准确率达99.5%。（3）开发测试系统的可视化窗口界面。将以上得出检测结果更好的算法集成到软件当中,以实现检测功能。其中软件系统主要由登录与注册模块、硬件信息监测模块、线束检测模块组成。登录和注册模块是为了保护了系统的安全性,硬件信息监测模块是完成为了展示系统所用到的硬件信息,以便于更换。线束检测模块是实现对于线束的在线检测以及离线检测,在线就是采集摄像头数据,离线就是检测本地的文件。以及对于实时检测画面以及检测结果的显示,方便操作者直接获得相关信息。在对软件进行测试的过程中,向测试系统导入了200张图片数据。经过实验,本文建立的系统顺利完成了测试,两个阶段检测的准确率也分别达到了95%和98%。