雾化器在自动装配的过程中不可避免会产生一些装配缺陷,需要对其装配结果进行检测以保证产品的质量。为了实现和自动装配生产线的高效率衔接,需要采用机器视觉技术进行检测。对雾化器装配的生产状态和检测进行远程监控,可以提高生产的智能化程度。本课题针对雾化器装配的视觉检测和远程监控功能需求,构建了完整的雾化器装配缺陷检测和远程监控系统,对系统中的各部分进行了详细的研究和设计,包括视觉检测平台、视觉检测算法、生产线数据采集和基于Web的远程监控系统。针对雾化器装配缺陷检测和远程监控的功能需求,设计了系统的总体方案。根据生产线的情况和缺陷检测的要求,搭建了雾化器装配缺陷的视觉检测平台,并采集图片构建了雾化器的图片数据集。根据雾化器装配可能产生的缺陷,设计了相应的图像处理检测算法。使用阈值分割获得待检测的目标区域,根据缺陷产生的位置设置对应的检测感兴趣区域(ROI)进行缺陷的检测。针对工件缺失缺陷,根据图像的矩形轮廓筛选结果进行检测。针对棉芯缺失缺陷,通过统计ROI中的白色像素比例进行检测。针对金属片异常缺陷,使用了模板匹配算法进行金属片的关键特征匹配。针对金属丝异常缺陷,使用基于垂直投影的测距算法进行距离的测量,根据距离判定金属丝位置是否异常。本课题还设计了基于深度学习的缺陷分类算法,选择了Mobilenets模型作为算法的基础,融合了Siamese网络,提出了一种适合缺陷检测的卷积神经网络结构,并进行了模型的训练从而验证算法的可行性。根据生产线远程监控功能的需求,设计了基于Web的雾化器生产线远程监控系统。通过PLC采集生产线数据,搭建了Web服务器,对数据通讯、应用服务器、My SQL数据库、前端界面和前后端数据交互进行详细的设计。为了验证雾化器装配的视觉检测和远程监控功能,本课题搭建了实验的软硬件系统。实验验证了本文的缺陷检测的图像处理算法能有效的检测出缺陷。提出的深度学习算法能检测出比较明显的缺陷,但对小缺陷的检测有待改进。在电脑上配置了远程监控系统服务器,对系统的功能进行了测试。