机器视觉技术是一门新的学科,主要是用计算机来代替人眼,通过处理分析图像的方式来直接或间接地识别出物体。该方法常被用于实际测量或检测。近年来,该项技术在诸多行业发展很快,尤其在工业检测中居多。本课题以工业金属罐盖为对象,通过阅读大量文献,研究了基于机器视觉的罐盖缺陷的实时检测方法,克服了人工检测的速度慢、效率低、准确率不高等缺点。本文的研究内容主要包括以下几个方面:(1)提出了一种罐盖图像处理算法。首先对从硬件系统中采集到的罐盖图进行滤波和图像轮廓提取工作,然后分别用四种不同的算法来提取轮廓的中心,把图像按区域划分成罐盖罐口、注胶区域、内圆区域等三个主要区域,最后综合一系列图像处理算法对这三个区域进行检测。(2)提出了一种用遗传算法和非线性规划的圆度误差测量算法。通过研究圆形算法检测理论发现,常用于图像处理技术中的Hough变换、最小二乘法和遗传算法在图像圆形检测中存在着诸多不足。其中,Hough变换由于自身检测速度太慢的问题明显不能满足工业检测的实时性;最小二乘法虽然克服了Hough变换检测速度慢的问题,但无法排除干扰点影响;遗传算法是一种寻优算法,但也存在速度太慢的劣势,而且往往只能搜索到问题的次优解;而非线性规划方法刚好具备较强的局部寻优能力。综上,本文提出了一种基于遗传算法和非线性规划的圆度误差测量方法,实验发现该方法可快速收敛,并且计算精确,在圆度误差的测量中起到了很好的作用。(3)提出了一种基于极限学习机的罐盖缺陷检测算法。运用图像处理知识提取罐盖图像形态特征13个、频域纹理特征10个、空域纹理特征32个,共55个参数特征,采用极限学习机建立罐盖缺陷分类模型,并且与BP神经网络和LVQ神经网络两种分类效果进行对比。实验表明:该算法能很好的区分出有缺陷的罐盖,判断准确率达到97%,能够实现生产线上罐盖的有效分类。缺陷检测的速度可达到10个每秒,为罐盖的缺陷生产线在线检测提供了很好的支持。(4)开发了缺陷检测系统软件。在有大量样本的基础上,针对需求分析,开发了罐盖缺陷检测软件系统。该系统为用户提供了参数配置、按需选择图像样本、在线图像分类学习和检测结果输出界面,操作简捷,使用方便。本系统进行了大量的样本测试,能高速准确的检测金属罐盖图像,可以检测盖形变形、外圈缺口、注胶区域胶水过多或过少、盖面污染、划痕、漏斗等缺陷,具有速度快、准确率高、无污染的优良表现,现实意义很强。