塑料零件具有价格低、密度小、减振降噪等优点,广泛应用于各种精密仪表和微机电产品中。由于塑料零件在成型过程中容易产生各种缺陷,因此需要对其进行检测以保证质量。目前国内多数厂商仍然采用人工检测的方式,传统的人工检测费时费力而且精度得不到保证,尤其当塑件外形较为复杂时,人工检测更显力不从心。为了提高生产效率与检测精度,本文将机器视觉应用于复杂塑件的识别与检测。机器视觉作为一种在线检测技术,通过图像采集设备将目标物体转换成图像信号,并对图像信号进行处理以得到目标物体的形态信息,具有效率高、自动化程度高、准确率高等优点。本文以机器视觉技术为基础,针对复杂塑件的外形与尺寸特点,进行了识别与检测方面的研究,主要研究内容如下：(1)基于复杂塑件识别与检测的需求,设计了识别与检测系统的整体方案。完成系统硬件的配置与实验平台的搭建。介绍了图像像素坐标系、图像物理坐标系、相机坐标系、全局坐标系及其相互关系,并根据相机成像模型,利用HALCON软件实现了相机内外参数的标定。(2)完成用于图像采集的硬件平台后,对原始图像进行了预处理以得到便于识别与检测的零件图像。研究了三种常用滤波方法的原理及降噪效果,结果表明中值滤波对图像边缘的模糊最少；通过基于阈值的分割方法初步提取出了零件区域；利用形态学处理消除了图像中的孔洞和噪点。针对三种常用边缘检测算法一—Canny算法、基于形态学的算法和一阶微分算法的优缺点,提出了一种改进的基于梯度算子的边缘检测算法。该算法检测出的边缘为单像素边缘,且噪声抑制效果好,漏检误检少,定位准确。(3)基于预处理结果,研究了同类型不同尺寸零件以及不同类型零件的识别方法,包括基于模版匹配和基于BP神经网络的图像识别方法。设计了用于模版匹配的灰度模版和边缘模版；基于采集到的样本图像,利用HALCON软件对神经网络进行了设计与训练,并使用训练完成后的神经网络对零件进行了分类识别实验。结果表明,两种识别方法准确率相当,但基于BP神经网络的识别方法耗时明显更少。(4)在视觉检测方面,以塑料齿轮为例,对其进行了基本外形参数的测量。使用多种方法求取了齿轮中心点坐标并将其平均值作为最终的中心点坐标。测量了其齿顶圆直径、齿根圆直径、齿数和齿距等参数,并使用这些参数判断齿轮是否有缺陷。(5)综合上述研究内容,以Visual C++ 2010为基础,结合HALCON、 OpenCV软件,设计和开发了视觉识别与检测系统。系统主要实现了图像采集、图像识别、齿轮尺寸测量和结果显示等功能。软件界面包含了实时视频、识别与检测结果、图像处理结果图以及操作四个窗口。系统实验结果表明,该系统识别准确、检测精度高,具有实际应用价值。