o型密封圈是一种截面为圆形的橡胶密封圈，因其截面为o型，故称其为o型橡胶密封圈，也叫o型圈。开始出现在19世纪中叶，当时用它作蒸汽机汽缸的密封元件。因为价格便宜，制造简单，功能可靠，并且安装要求简单，o型圈是最常见的密封用机械设计。o型圈可用于静态的应用中，也可以用在部件之间有相对运动的动态应用中。

密封圈作为一种具有良好性能的密封材料，在工业领域具有极其广泛的应用，在汽车、船舶、管道、家用电器等多行业都能看见它的身影，广阔的市场需求促就密封圈产业的蓬勃发展。

密封圈属于大批量生产，在生产过程中难免会出现瑕疵品，因此需要对密封圈的质量进行检测。传统的橡胶密封圈外观尺寸检测方式是采用品检人员用卡尺测量橡胶密封圈的内径、外径和外观，检测产品表面是否有缺陷，这种方法存在速度慢、效率低、主观误差大、精度低等缺点。采用密封圈视觉检测设备可以很好的避免这些缺点，主要优点包括:检测效率高，测量精度更高。所以许多密封圈生产厂家引进机器视觉技术，实现对密封圈的高效缺陷检测。

产品外形复杂，缺陷检测面临挑战

密封圈作为工业生产十分关键的机械设备零部件，为了实现密封圈与密封部件之间的完全贴合，需要其表面光滑，严禁出现裂缝、暗纹等瑕疵。但密封圈产品外形复杂，各种形状、款式、大小、材质数不胜数，缺陷类型也十分多样，包括裂纹、沙眼、起皮、飞边、变形、气泡等等，严重影响密封圈的密封性能。

基于机器视觉技术的密封圈缺陷检测，就是借助机器视觉检测软件，处理和分析工业相机采集的密封圈内外台阶与侧壁图像，根据分析的结果产生具体的报告信息，并利用结果控制生产和待测物体的运动。

因为o型圈为不规则圆，在影像上只能使用扫描周长，通过计算得出内径；线径为内外圆半径之差,通过间接计算得出。传统o型圈视觉测量中，先对零件识别拍照（不同直径零件需要从新编程），测量o型圈使用扫描轮廓，得出等效直径（内外径），通过计算内外径之差得出线径。对于o型圈来料抽检，及生产单位抽检时很不方便，要进行大量编程，对于测量人员编程水平要高且测量效率低下。

同时，密封圈同种缺陷类型之间形状各异、颜色深浅不一，还存在缺陷微小成像不明显等情况，导致传统机器视觉较难准确判定，密封圈缺陷检测面临挑战。因此，越来越多的密封圈厂家在传统机器视觉技术中融合深度学习算法，实现更高精度、更高效率的密封圈缺陷检测。

机器视觉检测设备结构及原理

基于机器视觉的o型密封圈的尺寸检测方法，其原理是应用图像处理技术，对o型密封圈进行边缘检测，再采用多边形近似法得到其内、外径周长,并计算出相应的线径。o型密封圈图像采集部分的结构，将被测量的密封圈随机地置于检测平台上，通过LED光源产生平行光，照射密封圈；CCD工业相机机正焦正对着密封圈进行拍照，采用计算机采集获得的清晰的密封圈图像并进行处理，包括噪声的去除、图像轮廓的提取以及内外径的提取及显示等，再通过智能制造视觉软件运算分析区分良品与不良品。

在密封圈缺陷检测实际案例中，针对密封圈缺陷类型繁杂等问题，机器视觉检测供应商通过以深度学习为核心的AI视觉检测技术，可以挖掘非标环境下需求，并以此为众多密封圈生产厂家提供更加可靠的软硬一体化解决方案。

深度学习技术，和传统机器视觉技术相结合，对密封圈进行缺陷检测，是以神经网络为基础，通过训练神经网络对各类缺陷进行细节信息的学习，并建立包含缺陷特征的深度学习模型。除此以外，深度学习技术还能从复杂背景中快速且精准识别密封圈的缺陷类型，并稳定检出成像不明显的细小裂纹和起皮，以实现缺陷的快速识别与检出。搭载深度学习技术的机器视觉系统，还能实现密封圈内外台阶加侧壁全检，检测速度超过10个/秒，检测精度小于0.2mm，轻松应对复杂检测，检测识别准确率高达99.8%，实现更加稳定且精准的检测。

总的来说，密封圈视觉检测技术，实现了密封圈实时在线检测。外观缺陷尺寸的CCD检测设备可根据不同检测需求来设置，运用视觉检测系统通过图像处理算法对目标物品的识别、定位、测量、检测等功能。

密封圈表面缺陷检测系统

将密封圈放置在合适的光源正下方，将工业智能相机搭载光源正上方。用相机模拟数据传输线或者以太网接口将相机数据传送到嵌入式系统中。这样密封圈的图像就采集到图像识别系统中了，我们就可以在该嵌入式系统内对该图像进行算法识别，判断所拍密封圈是否为合格产品。

图像经过智能识别系统处理过后，会出现合格与次品的两种结果，利用PLC通信，对密封圈分类装置进行电信号的通信。让其对密封圈进行筛选归类。在两套系统检测过程中，如果有其中任意一套将产品识别为不合格，那么在与密封圈分类装置通信时，该产品便为不合格产品。

由于密封圈表面的瑕疵往往都很细小，容易受到图像噪声的干扰。如果图像传输的过程中掺杂了过多的噪声因素，无疑增加了识别算法的困难程度。所以为了避免产生过多的噪声。只能选用抗噪性良好的相机。

由于图像在传输线中传输的时候不可避免会出现干扰，所以提取出的灰度图像要进行滤波处理以便减小干扰。传统的滤波方法是中值滤波和均值滤波，可以不同程度地减少噪声干扰，但是这些方法也存在一些问题，因为这些噪声的特点和瑕疵边缘的特点近似，进行去噪的同时也模糊了瑕疵的边缘。这不利于对瑕疵的识别。因此要克服这个问题，就要把这种干扰降到最低。

对于一般密封圈表面来说，一些很小的点瑕疵，极短的缝瑕疵，以及位于圆环表面的瑕疵都对密封圈的使用没有任何影响。所以我们要通过计算，将这些瑕疵排除在外。计算瑕疵宽时，仍然对瑕疵做细化操作后，骨架各点所在的瑕疵的位置的宽度反映出瑕疵各段的宽度。由于骨架曲线是单像素曲线，则一个骨架点与相邻点的其他两个骨架点相接，分别求出与相邻点的斜率。则每个斜率的垂线与瑕疵边缘相交两点，两点的连线的大小即为宽度值。比较这两个宽度值其中较小的为这个瑕疵的宽度。

当瑕疵宽小于人为设定的参数时，我们就对该瑕疵判断为合格。反之，则判断为不合格。

随着我国工业制造产业转型升级的加速，许多制造企业正在面临需求多样化、制造工艺复杂化、质量和效率要求提升、用工成本增加以及市场竞争加剧等诸多挑战，机器视觉创新技术与产品的出现，使得各行各业都有着更加光明的前景。“传统机器视觉+深度学习”技术，必将赋能制造企业数智化转型升级加速。

文章来源： 科技大课堂，海克斯康制造智能，深眸科技，机器视觉检测设备