随着工业4.0时代的到来,发展智能工厂和智能制造产业已经成为各国的共识。智能制造过程十分复杂,通常由多个环节构成,每一个环节都采用一到多种智能制造装备完成。智能制造装备的环境感知和智能控制技术是高适应性、高精度、智能化作业的根本保障,也是研制智能制造装备必须首先解决的技术难题。传统的感知控制方法无法满足智能制造装备实时、高精度、模块化、无损感知等需求,而机器视觉检测控制技术则为该技术难题的解决提供了一种最优方案,因此机器视觉检测控制技术成为国内外研究的热点。为了提高智能制造装备的适应性和智能化程度,本文研究了一种采用工业机器人上下料+视觉检测识别+机器人分拣码垛组成的机器视觉检测控制系统,并围绕该系统精密自动化上下料、表面缺陷检测、码垛计数三个技术难题开展研究。本文的主要工作和创新点包括:(1)针对智能制造装备高适应性、高速、高精度、智能化作业等需求,提出了一种适用于智能制造装备的机器视觉检测控制系统方案,并且对该系统方案各个部分所采用的方法进行综述,作为智能制造装备机器视觉检测控制系统研制的理论基础。(2)针对智能制造装备自动化上下料过程中的目标识别定位难题,提出了一种基于直线段特征的目标识别和位姿测量算法。该算法由离线学习和在线识别两部分组成,前者根据目标模板图像构建目标模式,后者根据模式在实时图像中识别出目标并对其位姿进行测量。为了提取目标模式,该算法采用直线段检测器实现高精度直线段检测,并采用直线段归类方法提取出目标轮廓,然后将轮廓中的直线段和夹角特征作为目标模式。为了实现目标识别,首先采用同样方法提取出实时图像中的封闭轮廓,并通过角度和边长匹配度实现与图像模板的匹配,然后对匹配到的目标通过交点匹配,计算出其位姿。实验表明,该方法识别准确率高,定位误差小于3个像素,定位时间小于400ms,完全满足工业目标识别定位的需求。(3)针对智能制造产品高精度质量检测的难题,提出了一种基于超像素的多区域多类型表面缺陷检测与分割方法。该方法由检测目标定位,检测区域提取和分区域表面缺陷检测构成。在目标定位中,采用了一种结合熵率聚类和形状拟合的目标分割方法;然后基于检测区域的先验知识,实现对多个检测区域的提取。对于面积较大检测区域,提出了一种基于超像素分割、聚类和异常检测的缺陷分割方法。对于窄环形区域,提出了一种基于脊检测和阈值处理的缺陷分割方法。实验表明,本文提出的方法可同时实现缺陷的检测和分割,检测准确率大于99.4%,分割准确率约为90%,且具有良好的鲁棒性,能够满足智能制造产品质量检测的需求。(4)针对智能制造中的高精度码垛识别计数难题,提出了一种码垛线扫描成像方案和两种码垛轮廓识别方法。该方法采用一种线扫描成像系统实现码垛边缘的高分辨率成像,并在获取的图像中通过码垛目标轮廓识别实现计数。一种目标识别方法基于轮廓和高斯形的相似性,采用脊检测实现目标识别;另一方法基于图像叠加模型,采用小波分解和系数阈值提取出轮廓的波动特征用于目标识别。在脊检测方法中,为了解决传统脊检测方法无法识别相邻目标的难题,提出了基于双高斯模型和脊-谷检测算子的脊特征提取方法,极大地提高了检测对象和间隙脊特征之间的对比度。在小波方法中,提出了基于能量分布的小波阈值选取原则,提取出了鲁棒性的波动特征。基于提取出的特征,提出了一种基于滑动窗口峰值检测和灰度值阈值的目标识别方法。实验表明,所提出方法的检测误差小于0.03%,且重复性好,可以满足多种类型码垛的大量程计数。(5)为实现机器视觉检测控制系统的协调运行,提出一种基于信号传递和参考点触发的协调控制方案,并提出了一种模块化和基于图像处理流程的机器视觉检测控制软件设计方法,提高了系统的可重构性。经实际运行证明,该装备可实现高精度检测识别和自动化作业,单次作业时间小于lOs,可满足机械、电子等行业智能制造装备环境感知与自主控制的需求。综上所述,本文研究了一种面向智能制造装备的机器视觉检测控制系统,解决了该系统自动化上下料、质量检测和码垛识别过程中的三个视觉感知难题,所提出的方法具有较高的准确性和鲁棒性,研究成果在机械、电子、食品饮料等工业制造领域具有较重要的理论意义和工程价值。