换向器是电动机的核心部件,其质量优劣直接影响到电机的正常使用。目前,换向器的质量检测主要依靠人工检测,检测精度和效率无法满足企业要求。随着技术的发展,基于机器视觉的质量检测技术在各个领域得到广泛应用。本文针对换向器柱面上的毛刺缺陷和铜壳表面缺陷,提出了一套视觉检测方案,主要工作包括:对换向器柱面缺陷检测系统进行了总体设计,包括相机及镜头的选型、光照模式设计、检测台结构设计和缺陷检测算法设计。在光照模式设计中,根据槽宽度和铜壳曲率对图像光照充足性和均匀性的影响,进行了光源和照明方式的设计,实现对槽内区域的光照补充和对铜壳表面区域均匀照明。针对对比度低,且背景噪声较大的槽边毛刺缺陷,研究了一种基于能量函数的缺陷检测算法。该方法基于马尔科夫随机场模型,根据像素的邻域信息,为每个像素构建能量函数,通过对能量函数迭代优化,实现像素点分类,并结合彩色图像聚类分割法,实现了槽边毛刺缺陷的完整提取。针对对比度低,且由于增加背光源而导致背景光照不均的槽内毛刺缺陷,研究了一种基于背景拟合的缺陷检测算法。该方法通过对图像进行多项式背景拟合,得到不均匀的光照成分,基于拟合的背景改进动态阈值分割方法,并结合区域生长法,实现槽内毛刺缺陷的自动提取,有效地减少了因光照不均导致的槽内毛刺误检情况。针对特征相似,缺陷类别难以准确划分的铜壳表面缺陷,研究了一种基于组合分类器的缺陷检测算法。该算法基于图像灰度特征,对多类缺陷进行统一提取,基于RelifF和PCA选择最优分类特征集,并构建基于BP神经网络的组合分类器,从基本分类器准确性和多样性的角度改进了隐藏层神经元的个数设置方式和训练样本的数量设置方式,实现缺陷准确分类,减少了误检和漏检。最后,对缺陷检测算法进行鲁棒性、准确性和效率测试。实验证明,本文研究的缺陷检测算法适用于不同缺陷形态、不同表面质量的工件质量检测,准确性上,基本实现毛刺缺陷零漏检,铜壳表面缺陷分类准确率达到96.6%,效率满足现阶段的企业要求。