随着智能制造的不断发展,质量检测标准也越来越高。大型船舶发动机锻件尺寸大、重量大,其温度变化不均匀性大和金属塑性流动性差异大,更容易形成缺陷,对其内部及表面进行缺陷检测是保证柴油机安全可靠运行的重要前提。针对大型锻件表面缺陷检测展开研究,由于锻件表面缺陷形状、大小多样,缺陷出现的位置随机等,一直靠人工目测方式对其进行检测,稳定性程度低,容易造成漏检误检,无法满足检测的高速、高精度、“100%检测”的自动化检测要求。以船舶发动机连杆作为实验与测试对象,针对传统人工检测方法的不足,本文提出一种基于优化YOLOv4方法的表面缺陷视觉检测系统,将双目视觉及深度学习技术应用到锻件的表面缺陷检测中,可实现缺陷检测、分类及深度测量任务。使用两个海康相机在不同位置采集锻件表面缺陷图像,通过优化后的模型对图像进行分析并检测,得到缺陷的类别等信息;对双目相机进行标定建立二维像素坐标系到三维空间坐标系的映射关系,实现凹坑缺陷的深度信息提取。主要研究工作如下:1.通过对比单阶段与两阶段的主流目标检测算法,选择当下检测精度与速度都比较好的YOLOv4算法。根据缺陷检测需求对YOLOv4的CSP-Darknet53特征提取网络进行优化,插入CBAM注意力模块,同时采用K-means++聚类优化先验框选取策略,生成适合表面缺陷检测的先验框。实验结果表明优化后模型提高缺陷检测精度,降低误检、漏检率,目标检测框更加贴近真实缺陷。2.研究双目视觉模型及测量原理,用张正友相机标定法进行双目相机标定,得到相机的内外参数。采用Opencv编写程序完成标定实验,并对比Matlab标定结果作为验证。然后对缺陷检测后识别得到的凹坑区域,通过对比不同特征点提取算法的效果,最终采用SURF算法进行特征提取,并添加极线约束进行立体匹配。接下来根据匹配到的点对进行深度信息提取,计算匹配点对的深度差得到凹坑深度,对比手动测量结果并分析误差存在原因。3.根据缺陷检测流程和需求进行系统的硬件选型,搭建缺陷视觉检测系统,考虑到工业应用,开发可视化的人机交互界面,设计并实现图像采集、相机标定、缺陷检测与深度测量功能。