表面质量是机柜产品质量的直观体现。随着客户对电气产品质量要求的不断提高和市场竞争的日益加剧,生产商对机柜表面质量也越来越重视,机柜表面质量检测技术顺应得到快速发展。其中,机器视觉检测技术以其直观、快速且低成本等优点被广泛应用于工业产品的表面质量检测,提高了其自动化检测水平,成为机柜表面缺陷检测的研究热点。但现有针对电子元器件和钢板等表面缺陷检测方法没有针对性地解决光照不均匀、复杂表面形貌和棱边区域存在缺陷等问题,无法直接应用于大尺寸机柜表面缺陷检测。因此,本文开展基于机器视觉的大尺寸机柜表面缺陷检测的关键技术研究,为大尺寸产品的外观质量检测提供新方法,具有重要工程应用价值。主要研究内容包括:(1)分析了常见机柜表面缺陷类型,成因及特征。针对高质量成像要求,研究了光学成像理论,根据缺陷检测的技术要求搭建了针对机柜表面尺寸为1.8m×0.8m的双目视觉图像采集系统,图像采集帧率为5帧每秒(FPS),分辨率为3840×2748,满足0.5mm×0.5mm的缺陷检测需求。此外,自主设计并编写了机柜缺陷检测系统软件,实现了机柜表面图像的自动存储和缺陷的智能检测。(2)针对机柜特殊区域缺陷检测问题,研究了基于特征信息图像配准方法。通过图像特征点提取与匹配,求解图像间的单应矩阵,获得待检测图像与模板图像的空间转换关系,实现待检测图像与模板图像之间的配准;从而分割出事先人为指定的特殊区域,进而研究了加权最大类间方差阈值分割法,结合图像差分方法实现了机柜表面图像中特殊区域的缺陷检测。(3)研究基于梯度阈值分割的背景区域缺陷检测方法,解决大尺寸机柜表面光照分布不均导致的检测精度低的问题。首先对机柜背景区域图像使用双曲正切曲线变换对机柜图像进行增强,然后使用Sobel算子得到机柜背景区域梯度图像,最后对于机柜背景区域梯度图像使用固定阈值分割实现大尺寸机柜背景区域缺陷检测,检测准确率(Precision)达到0.90,召回率(Recall)为0.92,综合准确率与召回率的F值(F-measure)为0.98。(4)研究基于图像块异常特征识别的机柜棱边区域缺陷检测方法。针对机柜棱边区域缺陷检测的难题,利用缺陷灰度分布异常的特性实现棱边缺陷检测。首先提取图像中的机柜棱边区域并将其划分为多个连续图像块,然后研究图像矩理论构建棱边图像块灰度长轴特征作为异常图像块的判别指标,最后采用基于高斯模型的异常检测算法构建了正常与异常图像块的识别模型,实现了机柜棱边区域的缺陷智能检测。实验结果表明,机柜棱边检测的准确率达到1.00,召回率为0.79,F值为0.88。本文研究了大尺寸机柜表面缺陷的视觉检测理论和关键技术,搭建了机柜表面图像采集系统,提出了大尺寸机柜表面缺陷检测系统设计方案和图像处理算法,并设计开发了图像采集和图像处理算法的集成软件系统,系统满足企业的技术指标要求。