光缆表面是由黑色胶状物凝固而成,其制作工艺复杂,会经过融化、注胶、冷却、干燥、喷印等过程。通常随着生产设备的性能下降,光缆表面不可避免地会出现破损、刮痕、小孔等缺陷,从而降低光缆的可靠性和传输性能。中国是光缆产品出口大国,这种质量的产品如果出口,会有损我国的国际市场竞争力,因此,必须在光缆生产过程中有效检测出这种质量有问题的产品。机器视觉技术应用于光缆生产线检测表面缺陷以剔除质量不合格的产品已成为企业生产发展的而必然趋势。为此,本文开展了以下研究工作。(1)光缆图像采集技术研究。高质量的原始图像可以降低算法设计难度,光缆图像采集系统主要包括照明单元和图像采集单元,通过对光学图像采集相机、镜头和光源颜色、光照角度、光源控制电路的调研,给出了光缆图像采集单元和照明单元的设计,以实现高质量图像的获取。(2)光缆表面图像预处理技术优化。首先,对比了光缆直径检测算法,最终选择了非边缘方法,即先对图像阈值分割,再记录白色光缆区域每列像素点个数并求平均值来计算直径。然后,对光缆图像校正算法进行了研究,通过建立光缆的抖动模型,并用反向补偿法对变形的图像进行了补偿。最后,对图像拼接算法展开了研究,结合光缆图像的实际情况,使用校正、剪切和各向异性滤波算法实现了图像的拼接。(3)基于特征的光缆表面缺陷识别算法研究。由于光缆图像为灰度图,通过提取缺陷的长宽比、面积、周长和灰度均值实现了胶带、破损的分类。又通过分析针眼缺陷的形状和灰度直方图,根据其独特的形状和中心区域低灰度值像素点的分布情况,利用低灰度值像素点的数量和像素点灰度差,实现了对针眼的识别,识别率为90%,满足用户需求。(4)基于深度学习的光缆表面缺陷识别算法研究。通过缺陷提取、粘贴的方法增加了缺陷样本,提高了YOLOv3算法模型的识别精度,并和基于特征的传统方法对比,胶带和破损的检测精度都为100%,针眼为80%,YOLOv3算法的综合识别精度和抗干扰能力要优于传统方法,但当图像中有类似于针眼的灰尘干扰时,针眼误报率较高,表明对小目标物的识别率要低于大目标物。