电梯补偿链用于在电梯轿箱运动过程中平衡曳引钢丝绳及随行电缆的重量,是保证电梯运行的平稳性和安全性的关键部件之一,其市场需求巨大。目前生产过程中采用人工检测方法,检测效率低、工人劳动强度大,且因检测主观性强、视觉疲劳易导致漏检与误检,难以满足现代企业的生产要求。因此,企业对基于机器视觉技术的自动化检测系统有着迫切的需求。电梯补偿链整体是柔性的、相邻两个链环交错90度,使得链条在牵引过程中易发生扭曲、晃动。而且,链环表面反光较强,不同类型缺陷的分布位置不同,单一的打光方式难以获得整体对比度较高的图像。同时,链环的缺陷种类较多,每类缺陷细节特征各不相同,且链环表面为毛坯面、凹凸不平、存在污渍、锈斑等多种干扰因素,使得缺陷的分割识别相当困难。针对上述关键技术问题,本文设计了图像采集单元以获取对比度较高的图像,并研发了典型表面缺陷(冲伤、焊缝缺陷与冷弯裂纹)的检测算法。在图像采集单元的设计上,针对链条牵引过程中扭曲、晃动的问题,设计了与链条结构对应的十字开槽过套和链轮,并在检测线上合理布置,以保证链条成像的稳定性;针对链条反光较强和缺陷类型多样的问题,设计了相应的组合光源,以获取对比度较高的图像。在缺陷检测算法的研发上,首先根据不同类型缺陷的位置分布设计了链身中部与R处的ROI分割算法,用于缩小检测区域降低后续算法的计算量。针对冲伤缺陷周围噪声干扰较大、边缘相对模糊的问题,提出基于NSCT的自适应去噪增强算法以改善图像质量。之后采用基于纹理分析与分水岭变换的分割方法对冲伤缺陷进行分割与判定。对于焊缝缺陷,采用线性对比度拉伸与自适应阈值分割方法对其进行识别。实验验证了采用方法的有效性。针对链条R处裂纹存在多种表现形式,单一检测方法很难有较好普适性的问题,采用深度学习方法。首先通过对R处ROI图片搜集并进行归一化与数据增强等处理,完成数据集的制作。针对因数据集较小导致训练效果不理想的问题,重新构造了基于ResNet-50的迁移学习网络模型,同时在训练过程中将学习率改为自适应调整。通过与传统CNN和多通道CNN模型的对比实验,验证了该模型在加快训练速度的同时,可以有效解决数据样本不足下的R处缺陷检测问题。