磁性零件广泛用于通讯、计算机、家用电器及消费类电子等领域。在其生产制造和运输的过程中,不可避免地出现开裂、缺角和凹凸等缺陷,这些缺陷不仅会缩短零件的使用寿命,更会对使用该零件的产品带来潜在的安全隐患。因此在磁性零件出货前,需要对其进行缺陷质量检测。本文提出一种基于机器视觉的磁性零件表面缺陷检测方案,为磁性零件自动缺陷检测提供参考。本文的主要工作内容有:1)设计了磁性零件表面缺陷检测系统,主要包括零件的上下料机构和零件图像采集与检测模块。上料机构采用的是两节皮带传送上料方式;下料机构设计的是电磁阀门吹气方式。图像采集模块包括Basler工业面阵相机、OPT定焦工业镜头和OPT工业光源。图像检测模块包括零件开裂、缺角和凹凸等缺陷在线检测识别和分类模块,以及深度学习离线训练模块。2)对图像预处理进行了研究。使用RGB颜色空间对采集的图像进行灰度化,用均值滤波对图像进行去噪处理,使用两次不同模板的加窗中值滤波线性差分方法来对图像进行增强,用Sobel边缘算子结合形态学操作完成对图像的分割。最后定义和量化不同缺陷的检测标准,完成对磁性零件表面缺陷的检测识别。3)针对部分开裂缺陷比较轻微,且在分割的时候往往容易断开的情况,研究了开裂拼接算法。观察发现开裂大多是沿着零件的径向方向,故而对分割的连通区域进行方向统计,在允许偏离径向方向一定的角度范围内,连接相邻距离小于给定阈值的连通区域,从而完成对开裂缺陷的拼接。4)使用神经网络对检测识别的缺陷进行分类,排除检测识别算法中将零件的脏污误判成缺陷这一情况。对检测识别算法中提取出来的缺陷和少部分脏污区域,使用训练好的YOLOV模型进行预测分类,这样既避免了对整张图像进行预测,又能排除检测识别算法带来部分误判问题,从而提高了最终检测的准确率,也减少了算法的耗时。最终能达到96.33%的分类准确率。