永磁铁氧体磁瓦作为汽车、家电行业广泛应用的电动机的重要组成部分,其表面质量关系到电动系统的稳定性、安全性和可靠性。机器视觉检测技术以计算机科学为依托,以机器代替人工来实现自动检测,将它应用于磁瓦表面缺陷检测不仅可以避免人工目视检测法检测效率低,容易产生误检和漏检的问题,而且能够削减劳动成本,大幅提高检测的效率和质量。本课题将机器视觉检测技术应用于磁瓦表面缺陷的检测,通过在实验室静态条件下采集磁瓦图像,利用图像处理方法检测并识别出磁瓦缺陷。主要完成的工作如下:1、根据磁瓦检测指标、生产速度和精度等技术要求选择了摄像机、镜头等硬件;通过照明实验选择并设计了适用于磁瓦的光源照明模块中的光源和照明方式,在此基础上搭建了用于磁瓦图像采集的硬件平台。2、研究了常用的图像去噪算法,分析了自适应中值滤波算法的不足,在此基础上进行了改进,实验结果表明改进的算法能在消除磁瓦表面不同程度脉冲噪声的同时较好地保持图像中的细节。3、针对生产过程中磁瓦内表面常见的四种缺陷类型:裂纹(包括深裂纹和浅裂纹)、崩烂、欠磨、压痕,在研究传统图像分割算法的基础上,通过实验对比分析了各类分割算法的特点及其对于四种缺陷的适用性和局限性。针对传统分割算法在提取浅裂纹和压痕缺陷方面的不足,分别提出了基于纹理特征和基于区域生长的缺陷提取算法。4、研究了缺陷特征提取与分类技术,对分别含有不同缺陷的样本分别提取了缺陷的几何形状特征、灰度特征和纹理特征,经过特征选择后构建了二叉树分类器实现了四种缺陷的分类识别。