换向器作为生产生活中的重要零部件,广泛应用于汽车、家电等领域。为保证换向器的质量,采用机器视觉对换向器表面缺陷进行检测,这要求视觉检测算法应具有良好的实时性和泛化性。本文泛化性是指算法不因工具磨损产生的图像分布差异使缺陷检测失败。换向器生产线在生产加工过程中,工件表面质量随加工工具的磨损不断变化,导致相机拍摄出的图像特征各不相同,图像分布也产生差异。本文为在上述条件下有效检测出各类缺陷并满足算法实时性和泛化性要求,提出如下研究内容:研究基于缺陷特征增强的面状缺陷检测。面状缺陷具有检测种类多、数量少、背景变化差异大的特点。本文从算法泛化性出发,针对具有明显颜色特征的缺陷,提出基于参考区域与HSV通道重组的缺陷检测算法。该算法利用HSV通道融合重组增强缺陷特征,运用参考区域确定分割阈值避免因缺陷数据量少,阈值确定不准确的问题。针对无明显颜色特征的缺陷,提出基于灰度梯度特征图及区域生长的缺陷检测算法。该算法将局部灰度与梯度特征相结合,统一并增强多种缺陷特征;使用改进的区域生长算法提取不同类型缺陷。实验验证所提方法的有效性,可以提升算法的泛化性。研究基于条形卷积与空间注意力机制的槽边区域微小缺陷检测。微小缺陷具有面积小、对比度弱、数量多的特点,而神经网络在训练数据较多时泛化性更好。条形卷积可强化模型适应不同形状缺陷的能力,空间注意力机制则有助于算法对于缺陷位置的感知,利用自定义的损失函数监督学习网络分割结果和缺陷位置信息。整理微小缺陷数据集,确定算法评价标准。实验验证模型的分割效果,表明检测算法泛化性提升。最后,对本文算法的实时性和泛化性进行优化和验证。算法实时性的优化采用数据并行化、AOP和GPU加速,优化后单个工件检测时间由4512.24ms缩短为1758.96ms,优化加速比最高为2.56。优化后算法的运行时间可以满足实时性要求。算法泛化性的验证利用不同类型和不同批次缺陷样本分别对算法进行测试,测试结果为:面状缺陷的综合检测查准率为99.6%,查全率为96.7%。微小缺陷的综合检测查准率为99.5%,查全率为94.3%,这表明算法具有良好的泛化性。