乳液泵是洗液容器的重要组成部分,社会需求量大,需要大批量生产。在生产过程中因受到注塑模具和装配机械的影响导致其表面产生油污、划痕等缺陷。目前工业上采用人工检测法检测缺陷,人工检测易受检测人员主观情绪的干扰,降低检测结果的可靠性。本文旨在基于机器视觉研究乳液泵缺陷检测方法,利用机器检测替代人为检测。采用CCD相机将对单独泵体的检测转化为对泵顶、泵颈、泵身、尾管等视角的缺陷检测。本文先研究视角图像层面上的定性分类以及缺陷检测,再研究泵体层面上的定性分类和缺陷检测。具体研究内容如下:(1)缺陷定性分类模型。该模型目的是在视角图像层面实现正常与缺陷图像的定性二分类。首先建立了基于传统机器视觉SVM的定性分类模型,提取样本图像的HOG和LBP特征,并将上述特征输入至SVM中训练模型。然后研究了卷积神经网络DarkNet-53的内部结构,建立了基于DarkNet-53定性分类模型。最后基于深度可分卷积以及组归一化改进DarkNet-53,设计新的残差结构,令模型更加轻量化,并且批归一化效果不受批量参数制约。改进模型DarkNet的分类准确率和检测效率均优于其他模型,平均检测时间仅为65.23ms。除此之外,本文还完成了图像最优缩放尺寸、数据增强以及基于Grad-CAM的模型决策区域可视化的研究。(2)缺陷检测模型。该模型目的是在视角图像层面实现缺陷的位置回归和类别预测。首先介绍了目标检测的常用算法,结合本文的研究任务最终选择卷积神经网络YOLOv3作为研究对象。其次研究了YOLOv3的网络模型结构、模型输出张量、候选框尺寸初始化以及预测框过滤机制,建立基于YOLOv3的缺陷检测模型。然后分析YOLOv3的两点不足之处:对细微划痕和微小油污不敏感以及对单样本多缺陷的检测效果一般。基于定性分类模型DarkNet改进YOLOv3:将YOLOv3的主干网络替换成DarkNet,输入尺寸扩充至736,提升模型对细微划痕和微小油污检测性能;采用K-means++替代K-means完成标注框的聚类任务,提高聚类结果的稳定性以及候选框与真实框的平均交并比;使用更加鲁棒的Soft NMS作为新的预测框筛选机制,提高模型对单样本多缺陷的检测能力。最后实现了定性分类模型的权重迁移,将已经训练好的定性分类模型权重用于缺陷检测模型的权重初始化,提高模型训练效率。采用基于损失回调的训练策略,提前终止网络训练,防止参数过拟合。(3)泵体定性分类和缺陷检测。实现泵体层面上的定性分类和缺陷检测。首先搭建了人机交互平台,控制模型检测进程,实现在泵体层面上的定性分类和缺陷检测。然后测试方法对泵体的定性分类效果以及对每类缺陷的检测性能:定性分类准确率98.4%,每个泵体的平均检测时间0.726s,能够完全检出缺胶、倒插等特征比较明显的缺陷,对划痕的检测率较低,但仍能达到92.65%。满足工业上每分钟至少检测60个泵体,定性分类准确率不低于95%,每类缺陷的检测率高于90%的指标。最后思考方法的工业落地方式,分析方法落地的主要流程。