在这个计算机技术不断更新换代的时代,人们给计算机赋予了视觉的功能,用以代替人眼进行观测。未来几年机器视觉在工业领域的应用将会越来越广泛,尤其是耗费大量人力的人工检测流程,在工业领域使用机器视觉能够提升产品质量、提高检测速度等。在硅钢片焊缝缺陷检测流程中,采用人工检测的方式容易受到检测人员疲劳和身心健康的影响,同时人工检测比较耗时,每一次的检测标准又无法统一,因此使用自动化检测系统来代替人工检测已经成为企业技术升级的方向。本文设计了一种用于硅钢片焊缝缺陷自动化检测的系统,该系统集成运动控制、机器视觉、图像处理和软件算法等多个模块,能够满足企业对硅钢片焊缝自动化检测的需求。本文主要完成的工作内容如下几点:第一,对硅钢片焊缝缺陷检测系统的研究背景和应用在实际工程中的意义进行概述,研究了国内和国外在硅钢片焊缝缺陷检测技术领域的当前进展以及未来趋势;研究了硅钢片焊缝缺陷检测的流程,设计了硅钢片焊缝缺陷检测系统的总体技术方案。第二,对硅钢片焊缝图像进行预处理操作。对比分析了中值、高斯和均值算法在硅钢片焊缝图像上的滤波效果;使用直方图均衡化来增强焊缝和硅钢片母材背景之间的对比度;对比分析了OSTU和Canny边缘检测算法在硅钢片焊缝分割上的效果。第三,设计了基于HOG+SVM的硅钢片焊缝缺陷检测方案,对比LDA、PCA、2DPCA和HOG这4种常用的特征提取算法在硅钢片焊缝缺陷识别中的平均准确率,使用准确率最高的HOG算法用于提取硅钢片焊缝缺陷特征,介绍了SVM分类器原理和模型构建,使用SVM对焊缝缺陷进行分类,并对惩罚系数和高斯核函数参数进行了调整。第四,设计了基于Faster-RCNN神经网络的硅钢片焊缝缺陷检测方案,研究了Faster-RCNN神经网络的结构,及其训练方式和步骤。为了尽可能提高系统的识别率,优化和改进了Faster-RCNN神经网络,使用Res Net＿50深度残差网络替换原来使用的VGG＿16网络模型作为预先训练的网络模型为Faster-RCNN进行基础训练。最后,将HOG+SVM以及Faster-RCNN神经网络两种缺陷检测方案进行实验结果对比分析,最终采用识别率更高的Faster-RCNN神经网络作为检测方法来设计硅钢片焊缝缺陷检测系统。