CN109358067A - 基于计算机视觉的马达环形压敏电阻缺陷检测系统及方法 - Google Patents

Abstract

本发明提出一种基于计算机视觉的马达环形压敏电阻缺陷检测系统及方法，包括：上料机构、机械手抓取机构、位置检测机构、位置调节机构、视觉检测机构和工件分拣机构；本发明可以实现马达环形压敏电阻外观的全方位无死角检测、筛选和剔除含有缺陷的残次品马达，减小了工人工作量的同时，大大提高马达环形压敏电阻的检测速度和缺陷识别精度，并且能够对检测数据进行保存，保证产品合格率的同时降低了企业成本，大大提高了马达环形压敏电阻的生产和检测效率；实验结果表明，用本发明检测马达环形压敏电阻倾斜和表面有划痕、粘胶等缺陷具有准确率高、适应性强的特点，并且有着很好的鲁棒性。

Description

基于计算机视觉的马达环形压敏电阻缺陷检测系统及方法

技术领域

本发明属于产品缺陷检测技术领域，具体涉及一种基于计算机视觉的马达环形压敏电阻缺陷检测系统及方法。

背景技术

马达的生产过程中，环形压敏电阻的组装是至关重要的环节，由于原材料、生产设备和人工等不稳定因素，装配过程中环形压敏电阻上表面会产生划痕、粘胶等表面缺陷，这些缺陷对环形压敏电阻的抗氧化性、耐磨性和电磁特性都有不同程度的影响；而装配过程精度达不到要求还会出现环形压敏电阻倾斜，会造成马达在运转过程中端面跳动偏差过大，气隙不均匀，使马达产生单边磁拉力，引起振动和噪声，严重时，将使马达发生局部烧伤。同时，由于当下对生产效率的高要求，需要在短的调整期间内达到高的产品合格率，即需在短的时间内快速获取马达环形压敏电阻的缺陷信息，并形成快速反应的质量控制机制。单凭肉眼我们很难适时判断产品是否为良品，而且传统的人工检测方法很难在精度、速度和自动化程度方面满足工业在线检测的要求。

因此，有必要设计一种基于计算机视觉的马达环形压敏电阻缺陷检测系统及其方法，能够检测多种型号马达的环形压敏电阻缺陷，适时获取马达环形压敏电阻各个方位的图像信息，实时检测环形压敏电阻的质量，进而提高生产效率和产品合格率。

发明内容

本发明的目的是针对现有人工检测效率低下和检测精度不高等问题，提供一种高效率、高精度的基于计算机视觉的马达环形压敏电阻缺陷检测系统。

本发明的另一目的是提供基于上述基于计算机视觉的马达环形压敏电阻缺陷检测系统的检测方法。

为了实现上述目的，本发明采用如下技术方案：一种基于计算机视觉的马达环形压敏电阻缺陷检测系统，包括：上料机构、机械手抓取机构、位置检测机构、位置调节机构、视觉检测机构和工件分拣机构；

所述上料机构与机械手抓取机构相连接，机械手抓取机构与位置检测机构相连接，位置检测机构与位置调节机构相连接，位置调节机构与视觉检测机构相连接，视觉检测机构与工件分拣机构相连接；

所述上料机构包括输送装置和料盘，用于将压敏电阻输送与放置在料盘中；

所述机械手抓取机构，用于把装配有环形压敏电阻的马达放置到指定的位置检测区域；

所述位置检测机构，包括图像处理单元，调用视觉检测机构的图像获取单元①用于获取当前马达顶部图像，通过图像处理单元，采用模板匹配算法，计算出与模版图像所偏离角度，并传送给位置调节机构；

所述位置调节机构，用于在换取不同型号马达前和视觉检测前的位置调整，包括侧面相机、侧面变焦镜头、侧面环形光源、侧面连接板、z轴微位移调整台、z轴微位移调整螺钉、y轴微位移调整台、y轴微位移调整螺钉、x轴微位移调整台、x轴微位移调整螺钉、侧面底座、微位移旋转平台、马达夹具、旋转平台连接块、顶部滑块、顶部相机、顶部变焦镜头、顶部环形光源、光杆，所述侧面相机与侧面变焦镜头螺栓连接，所述侧面变焦镜头与侧面环形光源螺栓连接，所述侧面相机又固定于侧面连接板上，所述侧面连接板与z轴微位移调整台螺栓连接，所述z轴微位移调整螺钉安装于z轴微位移调整台，所述y轴微位移调整台连接于z轴微位移调整台，所述y轴微位移调整螺钉安装于y轴微位移调整台，所述y轴微位移调整台又与x轴微位移调整台连接，所述x轴微位移调整螺钉安装于x轴微位移调整台，所述y轴微位移调整台又固定于侧面底座，所述马达夹具与旋转平台连接块螺栓连接，所述旋转平台连接块固定于微位移旋转平台，所述顶部相机一侧与顶部滑块螺栓连接，所述顶部相机另一侧与顶部变焦镜头螺栓连接，所述顶部变焦镜头螺栓与顶部环形光源相连接，所述顶部滑块与光杆相连接；

所述视觉检测机构，包括图像获取单元①、图像获取单元②、缺陷检测单元和数据统计单元，缺陷检测单元传送检测结果给工件分拣机构，对于马达环形压敏电阻的缺陷类型分为简单缺陷和复杂缺陷，简单缺陷包括环形压敏电阻倾斜，复杂缺陷包括划痕和粘胶；缺陷检测单元采用hough直线检测算法简单缺陷进行检测，采用形态学算法对复杂缺陷进行检测，数据统计单元用于统计和存储各种检测结果，方便后期查询；

所述图像获取单元①用于获取马达环形压敏电阻顶部图像；

所述图像获取单元②用于获取马达环形压敏电阻侧面图像；

所述工件分拣机构，包括合格品区与残次品区，视觉检测机构将检测结果反馈给工件分拣机构，工件分拣机构将环形压敏电阻无缺陷的马达分拣至合格品区，将环形压敏电阻有缺陷的马达分拣至残次品区。

本发明提供了所述基于计算机视觉的马达环形压敏电阻缺陷检测系统的使用方法，所述方法包括如下步骤：

步骤1：保存标准模版图像：获取一幅无缺陷的马达环形压敏电阻顶部图像作为标准模板图像，并用图像预处理算法对标准模板图像进行预处理，保存预处理后的标准模板图像；

步骤2：开启输送装置，将装配有环形压敏电阻的马达输送至指定位置；

步骤3：关闭输送装置，由机械手抓取机构中的机械手抓取马达环形压敏电阻放置到位置检测机构，图像获取单元①获取图像并传送给图像处理单元处理；

步骤4：图像处理单元采用模板匹配算法，对步骤3中所获取的图像与标准模板图像进行对比，获取当前图像与标准模版图像所偏离的角度α，并将偏离的角度α传送给位置调节机构；

步骤5：位置调节机构中的马达旋转平台旋转α角度对位置进行调节，当调节位置完毕后，位置调节机构通过上位机发送信号给视觉检测机构；

步骤6：视觉检测机构使图像获取单元①和图像获取单元②分别从顶部和侧面采集马达环形压敏电阻的图像；

步骤7：将顶部和侧面采集马达环形压敏电阻的图像进行预处理，并进行缺陷检测，对缺陷检测结果进行统计，并将检测结果通过上位机发送给工件分拣机构；用图像预处理算法，对顶部和侧面采集到的马达环形压敏电阻的图像进行预处理，视觉检测机构对马达环形压敏电阻预处理后的侧面图像采用Hough直线检测方法检测缺陷，所述预处理后的侧面图像中所检测的直线若水平倾斜角度大于θ度，则判定为环形压敏电阻倾斜，属于不合格的产品；用形态学算法对马达环形压敏电阻预处理后顶部图像进行缺陷特征提取，具体为先进行灰度形态学闭运算，包括：先膨胀后腐蚀，然后再进行灰度形态学开运算，先腐蚀后膨胀，对缺陷连通区域进行整合，去掉干扰部分，最后再计算缺陷的特征，包括缺陷的面积和长宽比；

其中，缺陷的面积和长宽比的计算公式如下，根据二值化后的图像，统计所有缺陷区域内白色的像素点个数，其中某个缺陷区域S的白色像素点累计个数为N_j，则其缺陷区域的面积A_S的计算公式为：

A为整个图像的面积，n为整个图像的像素数。缺陷长宽比r的计算公式如下：

其中W和L分别为图像缺陷的最小外接矩形的短边和长边。

步骤8：分拣机构根据检测结果，对马达环形压敏电阻进行分拣，合格的产品被放置到合格区，不合格的被放置到残次品区。

进一步的，对于上述步骤1和步骤7中的图像预处理算法包括以下步骤：

步骤a：采用加权平均法对图像进行灰度化处理，公式如下：

f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j) (3)

其中，R(i,j)、G(i,j)、B(i,j)分别为原图像在(i,j)处的RGB分量，f(i,j)为灰度化处理后的灰度图像在(i,j)处的灰度值；

步骤b：对灰度化处理后的图像使用3*3的滤波器进行中值滤波；

步骤c：采用Sobel算子对图像进行边缘检测，其中，Sobel算子使用两个3*3矩阵，分别为：

和

步骤d：对Sobel边缘检测后的图像采用最大类间方差，求差值图像的最优分割阈值k，根据该阈值k进行二值化处理，得到最佳的二值化图像，计算过程如下：

设原始灰度图像灰度级共L级，其中，灰度级为i的像素点数为n_i，图像共有N个像素点，则图像的全部像素数为：

N＝n₀+n₁+…+n_L-1 (4)

归一化结果为：

其中，p_i为第i个像素点归一化后的结果，设定一个阈值k，根据该阈值k将归一化后的图像进行二值化处理，将全部像素用阈值k划分为两类C₀＝(0,1,2,…,k)和C₁＝(k+1,k+2,…,L-1)；

C₀类和C₁类的类出现的概率分别为ω₀和ω₁：

设图像的总平均灰度为μ：

C₀类和C₁类的类出现的概率均值分别为μ₀和μ₁：

C₀和C₁的类间方差σ²(k)可由下式得到：

σ²(k)＝ω₀(μ-μ₀)²+ω₁(μ-μ₁)² (11)

将k从0到i进行取值，当σ取最大值时k为最优分割阈值，即可得到最佳的二值化图像。

有益技术效果：

本发明通过上料机构、机械手抓取机构、位置检测机构、位置调节机构、视觉检测机构、工件分拣机构的相互配合工作，可以实现马达环形压敏电阻外观的全方位无死角检测、筛选和剔除含有缺陷的残次品马达，减小了工人工作量的同时，大大提高马达环形压敏电阻的检测速度和缺陷识别精度，并且能够对检测数据进行保存，保证产品合格率的同时降低了企业成本，大大提高了马达环形压敏电阻的生产和检测效率。

附图说明

图1为本发明实施例的基于计算机视觉的马达环形压敏电阻缺陷检测系统的系统结构图；

图2为本发明实施例的基于计算机视觉的马达环形压敏电阻缺陷检测系统的位置调整机构示意图；

图3为本发明实施例的基于计算机视觉的马达环形压敏电阻缺陷检测方法流程图；

图4为本发明实施例的马达环形压敏电阻缺陷检测的图像预处理算法流程图；

图5为本发明实施例的模板匹配算法匹配结果示意图；其中，图5(1)为图像获取单元①获取的模板彩色图像；图5(2)为去除其他干扰的灰度图像；图5(3)为获取当前图像与标准模版图像所偏离的角度灰度图像；

图6为本发明实施例顶部相机采集的原图与检测结果；

图中，1-上料机构；2-机械手抓取机构；3-位置检测机构；4-图像获取单元①；5-图像处理单元；6-位置调节机构；7-视觉检测机构；8-图像获取单元②；9-缺陷检测单元；10-数据统计单元；11-工件分拣机构；12-合格品区；13-残次品区；14-侧面相机；15-侧面变焦镜头；16-侧面环形光源；17-侧面连接板；18-Z轴微位移调整台；19-Z轴微位移调整螺钉；20-y轴微位移调整台；21-y轴微位移调整螺钉；22-x轴微位移调整台；23-x轴微位移调整螺钉；24-侧面底座；25-微位移旋转平台；26-马达夹具；27-旋转平台连接块；28-顶部滑块；29-顶部相机；30-顶部变焦镜头；31-顶部环形光源；32-光杆。

具体实施方式

下面结合附图和具体实施实例对发明做进一步说明：如图1和图2所示，本发明公开了一种基于计算机视觉的马达环形压敏电阻缺陷检测系统，包括上料机构1、机械手抓取机构2、位置检测机构3、图像获取单元①4、图像处理单元5、位置调节机构6、视觉检测机构7、图像获取单元②8、缺陷检测单元9、数据统计单元10、工件分拣机构11、合格品区12、残次品区13、侧面相机14、侧面变焦镜头15、侧面环形光源16、侧面连接板17、z轴微位移调整台18、z轴微位移调整螺钉19、y轴微位移调整台20、y轴微位移调整螺钉21、x轴微位移调整台22、x轴微位移调整螺钉23、侧面底座24、微位移旋转平台25、马达夹具26、旋转平台连接块27、顶部滑块28、顶部相机29、顶部变焦镜头30、顶部环形光源31、光杆32。

所述上料机构1与机械手抓取机构2相连接，机械手抓取机构2与位置检测机构3相连接，位置检测机构3与位置调节机构4相连接，位置调节机构4与视觉检测机构11相连接，视觉检测机构11与工件分拣机构13相连接；

机械手抓取机构2与上料机构1连接，用于把装配有环形压敏电阻的马达放置到指定的位置检测区域；

位置检测机构3与机械手抓取机构2连接，包括图像处理单元5，调用视觉检测机构的图像获取单元①用于获取当前马达顶部图像，通过图像处理单元，采用模板匹配算法，计算出与模版图像所偏离角度，并传送给位置调节机构；

位置调节机构6与位置检测机构3连接，包括侧面相机14、侧面变焦镜头15、侧面环形光源16、侧面连接板17、z轴微位移调整台18、z轴微位移调整螺钉19、y轴微位移调整台20、y轴微位移调整螺钉21、x轴微位移调整台22、x轴微位移调整螺钉23、侧面底座24、微位移旋转平台25、马达夹具26、旋转平台连接块27、顶部滑块28、顶部相机29、顶部变焦镜头30、顶部环形光源31、光杆32，由于不同型号马达长短、大小不同，x轴微位移调整螺钉、y轴微位移调整螺钉和z轴微位移调整螺钉用于切换不同型号马达后人工对三维微位移调整台进行调节，以便侧面相机能获取到合适的图像，微位移旋转平台用于接收到图像处理单元反馈的偏离角度后，自动旋转一定角度，使顶部相机采集到的图像与模板图像一致；

视觉检测机构7，包括图像获取单元①4、图像获取单元②8、缺陷检测单元9和数据统计单元10，对于马达环形压敏电阻的缺陷类型可分为复杂缺陷和简单缺陷，缺陷检测单元采用hough直线检测算法对环形压敏电阻倾斜这种简单缺陷进行检测，采用形态学算法对划痕和粘胶等复杂缺陷进行检测，数据统计单元用于统计和存储各种检测信息，方便后期查询；

所述图像获取单元①用于获取马达环形压敏电阻顶部图像；

所述图像获取单元②用于获取马达环形压敏电阻侧面图像；

工件分拣机构11，包括合格品区12与残次品区13，视觉检测机构将检测结果反馈给工件分拣机构，工件分拣机构将环形压敏电阻无缺陷的马达分拣至合格品区，将环形压敏电阻有缺陷的马达分拣至残次品区。

本发明基于计算机视觉的马达环形压敏电阻缺陷检测方法的步骤如下，如图3所示：

步骤1：保存标准模版图像：获取一幅无缺陷的马达环形压敏电阻顶部图像作为标准模板图像，并用图像预处理算法对标准模板图像进行预处理，保存预处理后的标准模板图像；

步骤2：开启输送装置，将装配有环形压敏电阻的马达输送至指定位置；

步骤3：关闭输送装置，由机械手抓取机构中的机械手抓取马达环形压敏电阻放置到位置检测机构，图像获取单元①获取图像并传送给图像处理单元处理；

步骤4：图像处理单元采用模板匹配算法，对步骤3中所获取的图像与标准模板图像进行对比，获取当前图像与标准模版图像所偏离的角度α，并将偏离的角度α传送给位置调节机构，如图5所示，图5(1)为图像获取单元①获取的模板彩色图像，图5(2)为去除其他干扰的灰度图像，找出了图像特征内圆的圆心和三对角点，并找出两角点中间点与圆心的连线，图5(3)为图像获取单元①获取的任意一幅图像去除其他干扰的灰度图像，找出两角点中间点与圆心的连线与模板图像中连线的夹角为α；

步骤5：位置调节机构中的马达旋转平台旋转α角度对位置进行调节，当调节位置完毕后，位置调节机构通过上位机发送信号给视觉检测机构；

步骤6：视觉检测机构使图像获取单元①和图像获取单元②分别从顶部和侧面采集马达环形压敏电阻的图像；

步骤7：将顶部和侧面采集马达环形压敏电阻的图像进行预处理，并进行缺陷检测，对缺陷检测结果进行统计，并将检测结果通过上位机发送给工件分拣机构；用图像预处理算法，对顶部和侧面采集到的马达环形压敏电阻的图像进行预处理，视觉检测机构对马达环形压敏电阻预处理后的侧面图像采用hough直线检测方法检测缺陷，所述预处理后的侧面图像中所检测的直线若水平倾斜角度大于3度，则判定为环形压敏电阻倾斜，属于不合格的产品；用形态学算法对马达环形压敏电阻预处理后顶部图像进行缺陷特征提取，具体为先进行灰度形态学闭运算，包括：先膨胀后腐蚀，然后再进行灰度形态学开运算，先腐蚀后膨胀，对缺陷连通区域进行整合，去掉干扰部分，最后再计算缺陷的特征，包括缺陷的面积和长宽比；

其中缺陷的面积和长宽比的计算公式如下，根据二值化后的图像，统计所有缺陷区域内白色的像素点个数，其中某个缺陷区域S的白色像素点累计个数为N_j，则其缺陷区域的面积A_S的计算公式为：

A为整个图像的面积，n为整个图像的像素数。缺陷长宽比r的计算公式如下：

其中W和L分别为图像缺陷的最小外接矩形的短边和长边。

步骤8：分拣机构根据检测结果，对马达环形压敏电阻进行分拣，合格的产品被放置到合格区，不合格的被放置到残次品区。

进一步的，对于上述步骤1和步骤7中的图像预处理算法包括以下步骤，如图4所示：

步骤a：采用加权平均法对图像进行灰度化处理，公式如下：

f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j) (3)

其中，R(i,j)、G(i,j)、B(i,j)分别为原图像在(i,j)处的RGB分量，f(i,j)为灰度化处理后的灰度图像在(i,j)处的灰度值；

步骤b：对灰度化处理后的图像使用3*3的滤波器进行中值滤波；

步骤c：采用Sobel算子对图像进行边缘检测，其中，Sobel算子使用两个3*3矩阵，分别为：

和

步骤d：对Sobel边缘检测后的图像采用最大类间方差，求差值图像的最优分割阈值k，根据该阈值k进行二值化处理，得到最佳的二值化图像，计算过程如下：

设原始灰度图像灰度级共L级，其中，灰度级为i的像素点数为n_i，图像共有N个像素点，则图像的全部像素数为：

N＝n₀+n₁+…+n_L-1 (4)

归一化结果为：

其中，p_i为第i个像素点归一化后的结果，设定一个阈值k，根据该阈值k将归一化后的图像进行二值化处理，将全部像素用阈值k划分为两类C₀＝(0,1,2,…,k)和C₁＝(k+1,k+2,…,L-1)；

C₀类和C₁类的类出现的概率分别为ω₀和ω₁：

设图像的总平均灰度为μ：

C₀类和C₁类的类出现的概率均值分别为μ₀和μ₁：

C₀和C₁的类间方差σ²(k)可由下式得到：

σ²(k)＝ω₀(μ-μ₀)²+ω₁(μ-μ₁)² (11)

将k从0到i进行取值，当σ取最大值时k为最优分割阈值，即可得到最佳的二值化图像。

本例中计算得出的最优分割阈值k₀为0.1。

仿真效果：

图6是本发明实施例中四组顶部相机采集的原图与其相对应的缺陷提取后的图像，前三组为有缺陷的图像，最后一组为无缺陷的图像。为了验证本发明的鲁棒性和准确率，针对马达环形压敏电阻倾斜和表面有划痕和粘胶等缺陷，总共采集了100张有缺陷的图像进行测试实验，在简单缺陷的识别率上达到了100％，在复杂缺陷的识别率上达到了98％，对每幅图像的检测速度均小于0.2s。实验结果表明，用本发明检测马达环形压敏电阻倾斜和表面有划痕、粘胶等缺陷具有准确率高、适应性强的特点，并且有着很好的鲁棒性。

Claims (3)

1.一种基于计算机视觉的马达环形压敏电阻缺陷检测系统，其特征在于，包括：上料机构、机械手抓取机构、位置检测机构、位置调节机构、视觉检测机构和工件分拣机构；

所述上料机构与机械手抓取机构相连接，机械手抓取机构与位置检测机构相连接，位置检测机构与位置调节机构相连接，位置调节机构与视觉检测机构相连接，视觉检测机构与工件分拣机构相连接；

所述上料机构包括输送装置和料盘，用于将压敏电阻输送与放置在料盘中；

所述机械手抓取机构，用于把装配有环形压敏电阻的马达放置到指定的位置检测区域；

所述位置检测机构，包括图像处理单元，调用视觉检测机构的图像获取单元①用于获取当前马达顶部图像，通过图像处理单元，采用模板匹配算法，计算出与模版图像所偏离角度，并传送给位置调节机构；

所述位置调节机构，用于在换取不同型号马达前和视觉检测前的位置调整，包括侧面相机、侧面变焦镜头、侧面环形光源、侧面连接板、z轴微位移调整台、z轴微位移调整螺钉、y轴微位移调整台、y轴微位移调整螺钉、x轴微位移调整台、x轴微位移调整螺钉、侧面底座、微位移旋转平台、马达夹具、旋转平台连接块、顶部滑块、顶部相机、顶部变焦镜头、顶部环形光源、光杆，所述侧面相机与侧面变焦镜头螺栓连接，所述侧面变焦镜头与侧面环形光源螺栓连接，所述侧面相机又固定于侧面连接板上，所述侧面连接板与z轴微位移调整台螺栓连接，所述z轴微位移调整螺钉安装于z轴微位移调整台，所述y轴微位移调整台连接于z轴微位移调整台，所述y轴微位移调整螺钉安装于y轴微位移调整台，所述y轴微位移调整台又与x轴微位移调整台连接，所述x轴微位移调整螺钉安装于x轴微位移调整台，所述y轴微位移调整台又固定于侧面底座，所述马达夹具与旋转平台连接块螺栓连接，所述旋转平台连接块固定于微位移旋转平台，所述顶部相机一侧与顶部滑块螺栓连接，所述顶部相机另一侧与顶部变焦镜头螺栓连接，所述顶部变焦镜头螺栓与顶部环形光源相连接，所述顶部滑块与光杆相连接；

所述视觉检测机构，包括图像获取单元①、图像获取单元②、缺陷检测单元和数据统计单元，缺陷检测单元传送检测结果给工件分拣机构，对于马达环形压敏电阻的缺陷类型分为简单缺陷和复杂缺陷，简单缺陷包括环形压敏电阻倾斜，复杂缺陷包括划痕和粘胶；缺陷检测单元采用hough直线检测算法简单缺陷进行检测，采用形态学算法对复杂缺陷进行检测，数据统计单元用于统计和存储各种检测结果，方便后期查询；

所述图像获取单元①用于获取马达环形压敏电阻顶部图像；

所述图像获取单元②用于获取马达环形压敏电阻侧面图像；

所述工件分拣机构，包括合格品区与残次品区，视觉检测机构将检测结果反馈给工件分拣机构，工件分拣机构将环形压敏电阻无缺陷的马达分拣至合格品区，将环形压敏电阻有缺陷的马达分拣至残次品区。

2.一种基于计算机视觉的马达环形压敏电阻缺陷检测系统的使用方法，采用一种基于计算机视觉的马达环形压敏电阻缺陷检测系统实现，其特征在于，包括如下流程：

步骤1：保存标准模版图像：获取一幅无缺陷的马达环形压敏电阻顶部图像作为标准模板图像，并用图像预处理算法对标准模板图像进行预处理，保存预处理后的标准模板图像；

步骤2：开启输送装置，将装配有环形压敏电阻的马达输送至指定位置；

步骤3：关闭输送装置，由机械手抓取机构中的机械手抓取马达环形压敏电阻放置到位置检测机构，图像获取单元①获取图像并传送给图像处理单元处理；

步骤4：图像处理单元采用模板匹配算法，对步骤3中所获取的图像与标准模板图像进行对比，获取当前图像与标准模版图像所偏离的角度α，并将偏离的角度α传送给位置调节机构；

步骤5：位置调节机构中的马达旋转平台旋转α角度对位置进行调节，当调节位置完毕后，位置调节机构通过上位机发送信号给视觉检测机构；

步骤6：视觉检测机构使图像获取单元①和图像获取单元②分别从顶部和侧面采集马达环形压敏电阻的图像；

步骤7：将顶部和侧面采集马达环形压敏电阻的图像进行预处理，并进行缺陷检测，对缺陷检测结果进行统计，并将检测结果通过上位机发送给工件分拣机构；用图像预处理算法，对顶部和侧面采集到的马达环形压敏电阻的图像进行预处理，视觉检测机构对马达环形压敏电阻预处理后的侧面图像采用Hough直线检测方法检测缺陷，所述预处理后的侧面图像中所检测的直线若水平倾斜角度大于θ度，则判定为环形压敏电阻倾斜，属于不合格的产品；用形态学算法对马达环形压敏电阻预处理后顶部图像进行缺陷特征提取，具体为先进行灰度形态学闭运算，包括：先膨胀后腐蚀，然后再进行灰度形态学开运算，先腐蚀后膨胀，对缺陷连通区域进行整合，去掉干扰部分，最后再计算缺陷的特征，包括缺陷的面积和长宽比；

其中，缺陷的面积和长宽比的计算公式如下，根据二值化后的图像，统计所有缺陷区域内白色的像素点个数，其中某个缺陷区域S的白色像素点累计个数为N_j，则其缺陷区域的面积A_s的计算公式为：

A为整个图像的面积，n为整个图像的像素数，缺陷长宽比r的计算公式如下：

其中，W和L分别为图像缺陷的最小外接矩形的短边和长边；

步骤8：分拣机构根据检测结果，对马达环形压敏电阻进行分拣，合格的产品被放置到合格区，不合格的被放置到残次品区。

3.根据权利要求2所述一种基于计算机视觉的马达环形压敏电阻缺陷检测系统的使用方法，其特征在于，所述步骤1和步骤7中的图像预处理算法包括以下步骤：

步骤a：采用加权平均法对图像进行灰度化处理，公式如下：

f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j) (3)

其中，R(i,j)、G(i,j)、B(i,j)分别为原图像在(i,j)处的RGB分量，f(i,j)为灰度化处理后的灰度图像在(i,j)处的灰度值；

步骤b：对灰度化处理后的图像使用3*3的滤波器进行中值滤波；

步骤c：采用Sobel算子对图像进行边缘检测，其中，Sobel算子使用两个3*3矩阵，分别为：

和

步骤d：对Sobel边缘检测后的图像采用最大类间方差，求差值图像的最优分割阈值k，根据该阈值k进行二值化处理，得到最佳的二值化图像，计算过程如下：

设原始灰度图像灰度级共L级，其中，灰度级为i的像素点数为n_i，图像共有N个像素点，则图像的全部像素数为：

N＝n₀+n₁+…+n_L-1 (4)

归一化结果为：

其中，p_i为第i个像素点归一化后的结果，设定一个阈值k，根据该阈值k将归一化后的图像进行二值化处理，将全部像素用阈值k划分为两类C₀＝(0,1,2,…,k)和C₁＝(k+1,k+2,…,L-1)；

C₀类和C₁类的类出现的概率分别为ω₀和ω₁：

设图像的总平均灰度为μ：

C₀类和C₁类的类出现的概率均值分别为μ₀和μ₁：

C₀和C₁的类间方差σ²(k)可由下式得到：

σ²(k)＝ω₀(μ-μ₀)²+ω₁(μ-μ₁)² (11)

将k从0到i进行取值，当σ取最大值时k为最优分割阈值，即可得到最佳的二值化图像。