机器视觉检测技术因不易受环境条件影响,生产成本低,安装灵活,只用在相机里安装对应的检测模块即可等优势,被应用于越来越多的领域。图像内容表示模型是机器视觉检测过程的重要环节,图像内容表示模型的不同构建方式影响机器视觉检测的应用场景。本文从应用于工业领域产品缺陷检测的角度出发,提出一种基于混合高斯的表示模型。现有的图像表示模型较多直接以检测目标为整体建模或需要大量的矩阵运算,存在对检测目标较小的细节变化不具有灵敏性或检测效率低、硬件条件要求高等问题,难以直接应用于工业领域产品缺陷检测。因此,根据混合高斯可表示任意未知分布的特点,提出一种基于混合高斯的表示模型。首先利用基于模板匹配的算法快速定位检测目标,然后提取检测目标图像梯度特征用于表示模型的输入,为减少后续建模计算量及提高模型对环境变化及随机噪声的抗干扰性,将梯度图像进行池化,最后用混合高斯模型对池化后的梯度图像建模,并利用改进的混合高斯背景建模算法求解混合高斯模型参数。通过从某烟厂采集的烟支图像的滤嘴端对本文提出的算法性能进行评估,从检测精度与效率方面与主成分分析和自编码卷积神经网络进行对比分析。实验结果表明,该算法均能快速且有效识别出缺陷,检测率在98.5%以上,误检率以及漏检率均在2.5%以下,检测一帧400×200像素大小的图像所需的时间在5ms以下。同时,对烟支滤嘴端正负样本的检测,本文算法平均精度高于主成分分析和自编码卷积神经网络两种表示模型,平均检测精度为98.7%,平均误检率为1.2%,漏检率为1.8%。