机器视觉在产品自动检测上有着不可替代的作用,它具有检测速度快、精度高、非接触性等特点。本文在充分调研国内外机器视觉研究领域已有成果的基础上,理论结合实际,研究了不规则零件尺寸检测和表面缺陷检测算法,搭建了针对不规则卡箍缺损检测的硬件平台,开发了一套基于机器视觉的不规则卡箍检测系统软件。系统已获得实际应用。本文的研究工作及创新点如下:(1)针对实时拍摄过程中阴影的干扰问题,提出基于YCb Cr颜色空间和双边滤波的阴影检测去除算法。系统研究了阴影产生的机理以及现有的检测阴影的方法。提出的算法采用YCb Cr颜色空间来进行阴影机理分析,并与现有的阴影去除算法进行了实验对比,同实验仿真图中可以看出,该算法得到的效果图中不仅去除了阴影,而且较好的保留了原图中的细节信息。(2)针对传统图像匹配耗费时间较长的问题,提出一种基于文化粒子群的图像配准算法(CIPSO)。系统研究了图像配准的原理以及现有成熟的图像配准方法。分析比较了现有几种匹配方法的性能及其优缺点。提出一种基于文化粒子群的图像配准算法。根据待处理图像的灰度和空间结构信息,构造出一个基于最大化互信息的配准测度函数。以测度函数的优化问题作为出发点,将文化算法和粒子群优化算法相结合,用来指导图像的配准。改进后的粒子群算法加快了粒子群的收敛速度,从而克服了图像配准中计算量过大、搜索速度过慢等问题,提高了匹配速度。(3)对传统脉冲耦合神经网络(PCNN)进行了改进,并用于图像分割,避免了传统图像分割方法容易出现的分割误差或分割错误。传统的PCNN空间上不相邻的神经元可以同时“点火”,但是对于区域生长的图像来说,像素空间邻接若不归为一类将会导致分割有误差甚至出现分割错误。改进后PCNN中神经元只允许“点火”一次,一旦“点火”,输出将保持不变。改进后PCNN时间的独立性体现的恰恰是区域的独立性,区域间独立的结果是边缘神经元只和本区域内部神经元有耦合作用,所以改进后PCNN模型中边缘处神经元得到补偿,为后期的精确分割提供依据。改进后的PCNN模型不需要经过大量图像训练过程或样本调整过来提取图像基本信息,只需进行几次不同迭代运算,图像的边缘和区域信息可以被提取出来。最后,将PCNN改进算法用于卡箍划痕分割实验,从实验结果可以看出改进后的PCNN的分割效果明显优于其他传统算法,具有分割精度高,适应范围广的特点。(4)针对粒子群算法的随机性和收敛性,分别采用代数模型、解析模型和状态空间模型对其运行轨迹进行了分析。算法中参数是算法的性能和效率的关键。研究了PSO算法中的主要5类控制参数,并对参数的选取进行了较为细致的研究。采用线性离散时间系统的研究方法对粒子群算法的收敛性进行了分析,并给出对应的参数关系。图像分割之后,针对提取出来的分割信息进行拟合曲线,来获得如卡箍的面积、周长、偏心率、球形性等特征,进而为系统的判别分类提供参考信息。文中利用最小一乘来拟合曲线,拟合算法采用粒子群算法。最后采用粒子群来指导改进后的最小一乘法进行曲线拟合试验,最终完成卡箍的直径检测。针对卡箍耳朵的不规则性,文中采用随机Hough变换来进行卡箍耳朵的角度检测,并且得到较好的结果。(5)设计并构建了卡箍尺寸和缺陷在线检测系统,进行了现场验证,产品获得实际应用,节约了成本并提高了检测准确性。在基于机器视觉产品表面缺陷检测系统的体系结构上,对缺陷检测提出的各种算法进行研究,实现了一种基于机器视觉的弹簧卡箍在线检测系统,并且介绍了它们在工业现场的实际使用效果。在实际工程环境下,实现整套系统的功能验证,包括:系统的有效性,系统的抗干扰能力,系统的诊断能力。研制的基于机器视觉的弹簧卡箍在线检测系统能够满足每秒7个的检测速度,检测尺寸误差控制在0.3mm以内,检测的准确率高于97%。