按压泵是人们生活中重要的洗液容器瓶,在企业生产中,难免会因为生产技术落后、注塑模板老化等问题,导致按压泵表面存在缺胶、油污、划痕等缺陷。为了提高企业竞争力,本文基于机器视觉技术设计一套全自动、高精度的按压泵缺陷检测系统,完成产品的定性分类,识别缺陷的类型并获取其位置信息。首先,根据系统的设计目标和检测目标,设计了一套机械传动式的硬件检测平台。平台的本体结构包括S型的排料槽、多工位传送的旋转卡盘、上下伸缩的导轨式滑轮夹具、多面镜反射成像的检测工位以及分拣工位。其次,本文介绍了视觉检测方案和软件功能开发流程。视觉检测是系统的核心模块,通过计算相关参数完成了对光源、工业相机、光学镜头等硬件设备的选型,根据图像成像质量设计合适的照明和工业相机布局方案。在系统软件部分,分别从应用分析层、中间平台层、硬件处理层开发软件的功能模块,包括图像显示、定性分类、缺陷检测、数据分析、参数设置、人机交互等页面。软硬件平台通过传输协议实现了图像采集、检测、分拣、信息存储等流程。最后,根据不同的检测任务,论文详细研究了两类缺陷检测算法。第一,通过传统的图像处理技术在图像层面完成按压泵的分类任务。首先通过实验对比研究了图像预处理方法。根据缺陷的分布特点,分别提取泵顶、泵头、本体、尾管区域图像,并设计对应的检测算法对图像分类。包括泵顶挤压变形和油划检测、泵头螺牙检测、本体油划检测、尾管倒插检测。第二,采用深度学习目标检测算法Faster RCNN完成按压泵的缺陷识别与定位任务。结合任务要求和缺陷的特点,选择基础网络为Res Net101的Faster RCNN检测算法。其次研究了算法的特征提取网络、候选区域生成网络、ROI检测网络。为了提高算法的性能,本文改正了算法的网络结构,包括采用FPN结构提高特征提取能力、使用可形变卷积提高缺陷学习能力、基于Soft NMS和Box Voting的预选框筛选机制提高缺陷定位精度。训练模型后,对比了算法改正前后的检测效果。实验证明,算法改正后对小目标或不规则的缺陷检测效果更佳,明显地提高了对不同类型缺陷的检测率。检测系统测试结果说明,定性分类算法和缺陷检测算法在各项检测指标中,均满足系统设计要求。本文研究的检测系统对工业应用具有良好的参考价值。