传统机械制造过程中,加工零件的质量检测通常采用人工检测,不仅影响检测速度和生产效率,且可能因采用抽检和检测者主观因素干扰而影响检测结果的准确性。随着自动化智能化技术的发展,能克服传统人工检测之不足、并能实现快速准确检测的机器视觉检测技术逐渐应用于工业生产。基于机器视觉的检测技术是从获得包含零件尺寸信息的图像出发,利用计算机卓越的计算能力对表面及轮廓图像数据做出相应的处理与分析,获得零件的加工尺寸和表面质量结果。其突出优点是测量速度快、非接触式测量、自动化程度较高。本文在深入分析了机器视觉检测技术的基础上,研究设计了一种基于机器视觉的轴承零件和同步带轮零件的检测算法,并对其进行了实验分析验证,结果表明,该算法可满足检测常规轴承和同步带轮制造的精度要求。本文的主要工作有:(1)搭建检测系统硬件平台。在详细分析了机器视觉检测系统硬件各组成部分的基础上,对包括工业相机、工业镜头、照明系统、计算机在内的各部分进行了合理的选型,搭建了一种基于机器视觉的检测装置,为保证后续实验测量精度提供了硬件平台。(2)软件系统平台设计。以Python语言结合OpenCV开源视觉库为主要平台,采用Qt对图像处理算法、结果显示方法等进行算法设计。Python语言的简洁性,Qt Designer的快捷性使得开发更加方便,效率更高。(3)详细研究了图像预处理技术和边缘特征点提取技术。在深入分析了图像预处理技术的基础上,对不同算法的处理效果进行了对比分析,包括图像增强、图像分割、滤波降噪、边缘检测、亚像素边缘定位。在对比分析的基础上,选择了包括固定阈值分割、中值滤波、Canny算子边缘检测在内的处理算法。在边缘特征点提取上提出了一种快速遍历的提取方法。结果表明,该方法能够达到检测精度要求。(4)检测系统标定与误差分析。在Harris角点检测基础上,采用像素当量的标定方法对相机进行标定,与传统的求相机内外参数的标定方法相比,该方法更加方便快捷。进一步的分析了检测系统可能的误差来源,包括图像采集设备的误差、噪声影响、安装误差、照明影响、算法误差等,并提出了一些尽可能降低误差的解决办法。(5)对型号为6205-2RSH/C3,内径25mm,外径52mm的标准轴承;25齿、XL型的同步带轮进行了检测实验,检测尺寸包括轴承内、外直径、同心度;同步带轮的实际外圆直径。结果表明,均能达到使用的精度要求。并进一步的说明边缘提取方法也可应用在同类型零件检测中,如齿轮的外圆直径等与同步带轮具有相似的特征。本文的主要创新点如下:(1)采用Python语言与OpenCV库、Qt结合编程,设计了检测系统的软件平台,对零件检测进行了算法编写。(2)提出了一种快速遍历提取边缘特征点的方法,并应用在轴承和同步带轮的检测中,验证了方法的可行性。(3)在设计的检测系统的基础上提出了一种基于公差的零件分类方法,把公差范围分成不同的区间,在零件配合使用时实现不同的配合程度,满足不同的使用要求。并且对零件尺寸数据化操作进行了设计。