在港口、电厂等工业现场环境下,传送带工作环境复杂,会发生撕裂跑偏等风险,危害极大。为解决此类问题,本设计提出了一种基于机器视觉的方法,在传送带底部装设缺陷检测设备,使用一字激光器扩大传送带的缺陷特征,通过深度学习的方法检测多种传送带撕裂缺陷,再通过图像分割的方法判断传送带跑偏缺陷,及时准确的发现传送带各种缺陷故障并报警停机,试验结果表明,传送带缺陷检测装置能有效检测撕裂与跑偏等传送带缺陷情况。在兼容实时性和准确性的情况下保证现场作业的安全性和效率。本文的创新之处与主要工作如下:（1）本文在不断研究现有的缺陷检测方法后,对比基于深度学习的算法与基于图像分割的方法,分析了其优缺点和检测能力之后,为了实现工业现场的传送带缺陷检测目的并提高检测效果和实时性问题,提出了改进YOLOv4-tiny的纵撕检测算法和基于图像分割判断传送带跑偏的缺陷检测算法。通过加入通道注意力SENet,以提高对各种缺陷检测的检测精度。同时将损失函数进行优化,提高算法结构的收敛速度以及抗干扰性。基于图像分割判断传送带跑偏的检测算法主要基于一字激光器辅助,本文提出融合Lorentz信息测度的加权Ostu分割法进行阈值分割,通过拟合直线对激光条纹中心进行跑偏检测。最后使用相邻帧判断策略来确认缺陷是否发生,以减少缺陷检测的误报率。（2）针对传送带缺陷的数据集与参考图片稀少的问题,本文使用了两种方式自制数据集并进行实验和检测研究,前期在实验室小型传送带输送机上模拟各种撕裂缺口进行检测研究并存储不同光照、不同类型的传送带撕裂缺陷图片。后期通过在秦皇岛港、山西王曲电厂、曹妃甸港口等多个工业现场安装设备,解决实际项目问题,并在工业现场模拟多种传送带缺陷进行检测研究,积累和存储现场缺陷照片,更新数据集,优化算法精度。（3）工业现场传送带运输煤炭矿石等,煤灰烟尘遍布且每日会进行洒水降尘工作,对现场工业相机与激光器的工作运行造成巨大影响,针对这类问题本文设计了一种传送带缺陷检测防护装置,能够防护煤炭等块状硬物砸落和大部分烟尘干扰,并且自清洁装置可以实时擦拭防护玻璃罩,保证现场传送带数据的高清采集。（4）针对传送带缺陷检测的现场实际需求,本文设计了传送带缺陷检测人机交互界面,包括用户登录界面;实时监控主界面;视频检测主界面等,可调整检测参数,用于实验和测试检测效果,发生缺陷后自动存储缺陷相关信息,可浏览缺陷图片或通过数据库查看缺陷发生时间和位置等。