本项目利用工业机器人和机器视觉联动检测的原理，通过基于多尺度特征提取的自适应图像处理技术、基于模糊松弛约束的多核学习特征融合方法，基于模糊约束的映射量化与学习分类技术、双机器人协调控制技术等关键技术对工业设备外观缺陷进行全面快速检测，可有效节约传统工艺的人工成本，提高检测精度和实时性，同时也极大改善了企业的生产效率与出厂产品的质量，对于提升企业品牌影响力产生巨大的社会效益。在我国大力发展工业生产智能化的大环境下，本项目符合国家发展战略方向。本项目所采用关键技术的创新点在于将先进控制理论与人工智能学习方法成功应用于控制与视觉检测，提高检测准确率，降低检测时间并增强检测系统的抗干扰性。通过利用两个工业机器人协调优化控制以及机械滚杠定位控制，末端装置工业相机，配合自主研发的检测算法，实现对大尺寸工业产品外观缺陷检测以及标签标识的识别与检测。同时能够实现缺陷报警、显示与定位，与生产报表相结合，为企业管理提供质量管理依据。本项目目前已通过家电行业龙头企业海尔集团的验收与技术鉴定，得到用户的肯定与好评。同时还作为海尔集团的参展项目参加了2016年于上海举行的家电博览会，得到上海市市长的高度评价。本项目涵盖了自动化、图像处理与机器视觉、互联网等多个技术领域，符合工业4.0的范畴和智能制造2025提倡的生产理念，不存在环境污染且节省能源，降低能耗。另外，本项目还重点解决了流水线生产制造企业关心的混流生产与新产品导入问题，无需停线调试，从而大大减少企业生产的成本和损失。目前，本项目主要针对家电行业，另外对于汽车、工业加工、农产品检测领域以及趋向个性化生产的工业制造企业也至关重要。本项目与现有积累业务的市场关联度极高。本项目所依据的主要技术具体包括：①对实时采集的产品图像进行多特征信息提取。为提高缺陷检测的实时性和准确率，在此主要提取图像的SIFT特征、HSV颜色特征和LBP特征，其中为减少信息丢失并降低特征维度，提出一种多尺度等价模式LBP（Multi-scale Uniform Pattern Local Binary Pattern，MUP-LBP）特征提取方法。②分析不同特征与产品外观检测评价指标（实时性，精度和抗扰性）之间的映射关系。所提取的三种图像特征各自具有适用特点，同时对于产品外观的不同表面，缺陷检测的要求也有所不同。为在保证检测精度的前提下提高检测实时性及抗干扰能力，需分析上述特征与指标之间的映射关系，以得到相对明确的量化值。在此，提出一种基于模糊约束的映射量化（Fuzzy Constraints Mapping Quantization, FCMQ）方法来实现上述目标。③根据所提取的多特征信息以及不同表面的检测需求，提出一种基于模糊松弛约束的多核学习（Fuzzy Relaxation Constraints Multiple Kernel Learning，FRC-MKL）方法进行特征融合与分类，以提高缺陷检测效率。④为提高检测效率并与大尺寸产品生产线的有机结合，采用双机器人联动的手眼协调控制技术，通过在工业机器人末端安置工业级视觉系统（包括相机、镜头与光源）全面快速扫描产品表面，并对各自扫描区域进行编号，一旦检测到缺陷，可快速定位缺陷位置并报警。根据上述技术原理，相应的技术方案流程图如图1所示。图1 技术方案流程图