磁瓦材料是工业4.0发展科学技术中广泛使用的材料,如制造电力技术中的电动机、发电机以及大型的变压器,还有一些电力电子技术中的磁性元件像电环片、滤波器、示波器。现在大多数的小磁瓦生产厂家都是通过人工对磁瓦产品进行测量和检测。随着机器视觉应用在工业应用上的高速发展,客户厂家对磁材产品质量、测量精度的的要求逐渐变高,传统人工测量与缺陷检测已经不能满足对磁瓦检测精度及速度的要求。近年来,在机器视觉的快速发展下,机器视觉技术逐渐投入到工业应用中。本文基于机器视觉技术,对小磁瓦尺寸测量及表面缺陷检测进行了相关研究。通过大量的离线和在线实验分析,小磁瓦微缺陷具有速度快、鲁棒性好等特点。本文分析了小磁瓦的现状和缺陷的成像特点,并提出了本课题的三类缺陷检测方法。根据企业的要求制定了相关测量和检测技术要求,并设计了一套三类小磁瓦微缺陷检测算法,具体过程如下所示:磁瓦图像预处理算法设计:在获取小磁瓦初始图像中有噪声的干扰,本文通过对中值滤波、均值滤波、频域滤波和改进的均值滤波进行了去噪对比,改进的均值滤波图像的均方误差(MSE)和处理时间t都比其它几种滤波方法要小,因此选择了效率较高的改进的均值滤波来滤除噪声;通过对去噪后的图像进行阈值分割提取其ROI本体图像部分,用直方图法、迭代法、最大类间方差法对去噪后图像进行处理比较,采用了时间最少、效率最佳的最大类间方差法来获取本体图像部分;为了更好的分离小磁瓦的背景和前景,提取有效区域,通过传统边缘算子检测效果和Canny算子的边缘检测效果对比,采用了Canny边缘检测算子,经过实验效果对比Canny检测算子对磁瓦的边缘信息提取高于其它边缘提取算子。小磁瓦缺陷检测算法设计:针对小磁瓦成像不清晰、检测难度大、对比度低、纹理背景复杂、亮度不均匀、缺陷区域小及缺陷种类多等问题,提出了小磁瓦微缺陷检测方法。首先,根据小磁瓦弧形表面、倒角及缺陷区域对成像的影响,通过分析小磁瓦表面图像中缺陷区域与正常区域的灰度、灰度梯度及缺陷形态的差异,将其表面缺陷类型划分为三类;第一类缺陷主要是小磁瓦尺寸上的缺失,可以在阈值分割基础上直接提取缺陷区域;第二类缺陷主要是缺陷区域与正常区域的灰度相差不大,缺陷区域多呈线性,检测时容易受到小磁瓦磨加工过程中产生的表面纹理的干扰。检测第二类缺陷时要先进行纹理抑制。第三类缺陷主要是缺陷区域与正常区域灰度差别相对比较明显,缺陷区域边缘强度相比纹理区较大,而且缺陷多为块状。其次,根据三类表面缺陷的成像特点、缺陷形态特征,以及与背景区域的关系,分别设计了相应的缺陷提取方法;最后在不同的外界环境、缺陷类型等方面,利用了实验装置进行了实验分析。实验研究结果表明,本研究提出的小磁瓦表面微缺陷研究算法具备较好的鲁棒性、稳定性,能够准确、快速地提取小磁瓦表面中的缺陷区域,检测准确率为93.5%。磁瓦尺寸测量算法:通过预处理获得磁瓦的二值图像。针对磁瓦长、宽、厚度尺寸测量,采用了最小外接矩形法、动点检测法和基于椭圆的同心圆检测法。由于最小外接矩形法对有些磁瓦边缘带有异凸点的测量误差过大;本文选取了鲁棒性较好、时间较快的动点测量法,厚度测量采用了基于椭圆的同心圆检测法。最后,通过对测量结果的十组数据用最小二乘法拟合一个倍数k和偏差b,使测量值和实际值构成一种线性关系根据测量值返回一个实际值。