针对传统零件表面缺陷检测方法准确性差效率低,无法满足智能制造需求的问题,提出基于Faster-RCNN深度学习算法的缺陷检测方法。在Faster-RCNN基本算法的基础上,引入引导锚框算法生成anchor方案,解决算法中anchor方案对本次检测的缺陷目标缺乏针对性、产生大量的冗余区域建议窗口的问题,以提高检测的准确性和效率;通过对比非极大值抑制中不同的IOU阈值对检测结果的影响,确定最优的IOU阈值,并设计零件缺陷样本采集方案,建立三种零件缺陷数据集,在此基础上对方法的有效性进行试验验证。实验结果表明,该方法能够大幅度提高零件表面缺陷检测的准确性和效率,各缺陷检测结果的平均精度可达97.7%以上,平均检测速度达到4.3 fps,满足了智能制造的急迫需求。

针对实际生产制造中纽扣电池的划痕、凹坑或污渍等缺陷自动检测问题,提出一种基于机器视觉的纽扣电池缺陷检测方法。利用同轴光源和多角度条形组合光源,搭建了视觉成像系统,获取高质量缺陷图像。然后对图像进行预处理,使用简化的组合缺陷检测算法进行检测,形成了一套完整、高效的纽扣电池缺陷检测系统。最后对纽扣电池的划痕、凹坑及污渍缺陷进行批量实验,结果表明三类缺陷的检测成功率均超过98%,验证了该检测系统的有效性。

针对相关行业对线缆表面质量检测的需求和人工检测方法的不足,提出一套基于机器视觉的线缆表面缺陷实时检测系统的设计方案。设计了满足工业生产线条件的视觉硬件设备,用于采集优质的线缆图像。在图像处理算法中,改进行灰度均值法实现了复杂环境下图像线缆区域的提取;改进双边滤波建立背景并与原缺陷图像差分实现了缺陷信息的分割。通过对300张存在小孔、划痕、绝缘皮破损等线缆缺陷图像进行检测试验,结果表明:该算法检测准确率高于96.3%。

针对活塞杆表面缺陷的问题,设计了基于机器视觉的检测装置,在活塞杆使用之前对其进行无损检测。采集完整的活塞杆圆柱面图像,经过快速处理,得出活塞杆是否存在缺陷,及缺陷的具体位置,同时提供缺陷的尺寸信息。