O型橡胶密封圈(O型圈)是一种基础工业原件,我国是世界上O型圈年产量最多的国家,生产企业众多,但许多中小型企业在检测新产出O型圈质量时仍采取目视观察、触摸表面、使用测量工具等人工方法,不仅效率低下,增加了大量人力成本,且容易引发误检和误检。虽然已有自动化检测设备问世,但价格高昂,对运行环境有较高要求,用户多为大型龙头企业。为克服人工检测法的弊端,提高O型圈生产线的综合效率,本论文对内径小于等于80mm,截面直径(线径)在3mm至10mm间的O型圈的自动化质量检测方法展开研究,重点研究了O型圈尺寸测量和表面缺陷识别两个检测环节,主要研究成果有:(1)提出了一种基于Bresenham算法的O型圈尺寸测量方法。首先提取O型圈图像的感兴趣区域(ROI),然后以ROI的几何中心为起点,用多组Bresenham算法沿特定方向生成拟合直线,在全向360度范围内搜索O型圈内圆和外圆,最终测量值由多组测量结果取平均得到。该方法运行速度很快,且测量值与真实尺寸间的误差小于0.1mm,在运行速度和检测精度上都能满足生产线的实际需求。本论文还基于该尺寸测量方法的中间结果,提出了一种基于阈值判断的O型圈胶料粘连缺陷检测方法,检测成功率达到100%。(2)提出了一种新型型圈表面缺陷识别方法。本论文构建了一个基于图像特征的机器学习模型,用该模型对O型圈图像进行分类,判别是否存在缺陷及具体缺陷类型。本论文选择SIFT特征提取算法和词袋(Bo W)模型对六种不同类型O型圈图像的ROI进行处理,对每幅图像的所有SIFT特征构建Bo W向量,作为对该图像的统一描述。本论文对词袋模型构建环节的聚类算法和Bo W向量编码方式做了改进,并使用核方法支持向量机(SVM)训练这些Bo W向量。通过多组实验测试了词袋模型视觉词汇数量K,SVM核函数类型和惩罚因子C等参数对模型识别效果的影响,确定了最优参数,实现了98.3%的缺陷识别准确率,实时性也得以保证。最后,本论文整合了上述研究成果,用Python语言、工业相机SDK和Qt框架开发了在PC机上运行并与工业相机连接的O型圈在线质量检测软件。该软件运行平稳,鲁棒性好,达到了预先设定的各项功能、性能需求,以较低的成本有效提高了O型圈的检测精度和检测速度,为中小型O型圈生产企业的质量检测提供了一种既能提高效率,又能降低时间和人力成本的解决方案。