在国民经济中,石油有着至关重要的地位,有工业血液、黑色金子的称号,通常石油经过提炼后得到润滑油等其他化工品,由石油原产地储存后通过油罐车装车后运送至全国各地。油罐车高度在2.3～4.2m之间且罐口位置在罐体顶部,由于油罐车高度的限制以及罐口位置的限制,采用传统的注油方式有两种,其一,工人爬到油罐车顶部,然后推动输油管道到达油罐车罐口正上方后再输送石油;其二,司机停靠的位置在输油管道的正下方。在工人工作过程中存在安全隐患,可能由于工人的疏忽而引发安全问题。本文围绕油罐车自动注油系统中罐口定位的关键技术,以机器视觉技术和机器学习算法为基础,设计了一个能够准确定位的视觉检测系统。主要的内容包括:（1）研究将相机采集的图片利用传统机器视觉图像处理方法寻找油罐车罐口中心的具体方法。首先,把采集的RGB图像转为灰度图像,因为单通道图像便于后续的计算,提高计算速度;其次,通过对比不同的滤波方式后选择双边滤波消除图像噪点,再应用全局阈值分割方式提取罐口的候选区域;对候选区域进行闭运算形态学变换去除部分干扰区域,之后通过排序选择最大面积的区域作为目标区域;最后,利用最小外接曲线拟合方法处理目标区域得到罐口中心位置的像素坐标,再通过九点标定法进行标定,将像素坐标转换为机械装置末端坐标,使用WMX运动控制系统控制机械装置运动到罐口上方。（2）针对传统机器视觉中的环境因素影响,提出使用基于Canny算子提取罐口轮廓和无监督机器学习聚类算法K-means结合的解决方式。对比不同的边缘提取方法,选择Canny算子提取边缘轮廓能够得到更清晰、连续的轮廓;对所有像素点运用K-means聚类算法,设置5个聚类簇数,得到图像聚类映射图;提取聚类映射图的轮廓,将两个轮廓特征进行位与运算得到新轮廓特征,再从新轮廓图中选择最大轮廓,得到目标轮廓。（3）为了能够进一步消除光照、油污的影响,提高鲁棒性,提出了基于HOG特征和机器学习算法的目标检测方法。对采集的罐口图片进行预处理,包括正负样本数据集采集、分类、数据增强;通过对比不同的图像特征,最终采用描述图像局部纹理的HOG特征;通过对比SVM和FLGBDT算法应用于目标检测的准确率和交并比,最终采用表现较优的FLGBDT算法作为分类模型;根据分类器获得的选定框,在选定框内进行传统机器视觉处理即可准确定位罐口中心位置。本文的研究通过使用机器视觉与机器学习结合的方法来解决油罐车罐口准确定位的关键问题,实现准确注油,具有一定的理论价值和实际的工程意义。