O型密封圈是结构极为简单但是使用却非常广泛的工业生产密封原件,不论是武器装备、船舶、航天以及石油化工都随处可见O型密封圈的身影。且由于密封圈质量问题而导致的重大事故也不在少数,因此确保O型密封圈的生产质量成为一个关键且不可忽视的问题。现今我国对O型密封圈的检测方式依然是依靠人工进行尺寸测量,肉眼识别缺陷。而由于密封圈生产数量巨大,纯人工检测效率低下,且易漏检误检,越来越不能满足企业生产需要。本课题通过研究设计与验证最终完成了基于机器视觉的O型密封圈在线实时检测系统以改善当前密封圈检测现状,其中包括检测系统硬件平台的设计、软件界面的设计以及密封圈尺寸测量与表面缺陷识别分类算法的设计。首先优化数学形态学边缘检测算法。在原有结合多种形态学算法的基础上新增多结构元,使边缘检测效果具有更好的锐化度、边缘清晰平滑,也能更好的保留图像原始细节特征。提出迭代圆心使半径方差最小的改进最小二乘法拟合算法,并在此基础上提出分段拟合圆算法。有效地消除小误差估计的影响,提高尺寸测量的精度。能够有效消除不规则圆所造成的测量结果的影响,更进一步地减小了误差。使用了基于卷积神经网络算法Faster R-CNN模型,并制定模型评价指标。相比于传统图像识别以及模式识别算法,不仅可以达到97%缺陷识别率,识别率大大提高,而且对缺陷类别的识别精度也大为提高。同时还具有检测实时性,对检测环境要求也更为宽泛。设计并搭建了O型密封圈视觉检测系统硬件平台与软件系统,设计并实现工业流水线检测仿真。通过多种类型密封圈的场景测试实验,有效测量出O型密封圈的尺寸以及识别出是否存在缺陷,最终对密封圈的质量是否合格做出正确的判断。进一步验证了所设计的O型密封圈视觉在线检测系统的实用性。