1.一种在线装配缺陷识别系统，其特征在于，该系统适用于智能制造车间且基于B/S架构来建立，并包括若干个装配工位、下位机图像处理模块以及上位机服务器模块，其中：所述若干个装配工位互相连通构成一个产品装配线，针对任一装配工位，其侧面均垂直设置有位置传感器以及工业相机，所述位置传感器和工业相机均与所述上位机服务器模块通信连接；当位置传感器检测到待测产品到达预设位置时，发送脉冲信号至所述上位机服务器模块，由上位机服务器模块控制装配机床对待测产品进行装配工序，经过一预设时间后待测产品完成装配，所述上位机服务器模块启动工业相机拍摄待测产品的装配图像，并发送至所述下位机图像处理模块；拍摄完成后，待测产品由上位机服务器模块控制移动至下一个装配工位；

所述下位机图像处理模块包括装配工位目标区域信息数据库以及图像处理单元，当接收到某一装配工位的产品图像后，通过查询装配工位目标区域信息数据库，获知对应装配工位的产品图像的目标区域，由图像处理单元进行目标区域的识别分割、预处理、去噪以及T边缘检测，从而提取出该产品图像的初始特征集X=[X1, X2, X3, X4] ，并发送至上位机服务器模块；

所述上位机服务器模块包括装配缺陷识别模型、自动维修处理单元以及PLC，所述装配缺陷识别模型基于PSO‑SVM算法构建，对产品装配线上的装配工位的产品装配图像进行训练学习以及缺陷识别分类，可以识别出任一装配工位上的待测产品的装配缺陷类型，并将识别结果反馈给自动维修处理单元，由所述自动维修处理单元生成对应的维修策略并控制PLC控制器执行维修；

针对任一装配工位，都存在若干种典型装配缺陷，在利用所述工业相机构建对应装配工位的训练样本图片时，根据该装配工位的若干种典型装配缺陷反映在图像的区域位置，确定出所述装配工位的目标区域信息，并记录在所述装配工位目标区域信息数据库中；

依次使用如下公式（1）‑（4）计算获得边缘区域的边缘面积、边缘区域平均半径、边缘区域半径标准差以及边缘形状因子四个特征变量，从而构成可以反映产品装配信息的初始特T征集X=[X1, X2, X3, X4]：

  （1）

  （2）

  （3）

  （4）

上式中，参数M和N为边缘区域的边缘点个数， ，其中

为各边缘点的灰度值；参数K为边缘区域边界上的边缘点个数， 表示位于边缘区域边界上的像素坐标， 表示边缘区域的质心坐标，可通过如下公式（5）：  （5）

进行计算；

无论是现场检测前的训练学习，还是现场检测时的实时装配缺陷识别，所述装配缺陷识别模型接收到待测产品图像的初始特征集后，先采用拉普拉斯分值方法对初始特征集X=T[X1, X2, X3, X4] 进行特征降维，将计算所得的每个特征变量对应的拉普拉斯分值按从小到大排列，组成装配缺陷特征向量，再输入至PSO‑SVM模型中进行训练学习或缺陷识别分类。

2.一种在线装配缺陷识别方法，其特征在于，采用如权利要求1所述的在线装配缺陷识别系统，该在线装配缺陷识别方法包括如下步骤：步骤1：在上位机服务器模块中，构建基于PSO‑SVM算法的装配缺陷识别模型，输入产品装配线上装配工位的训练样本库图像进行训练学习；

步骤2：现场实时采集装配工位上的待测产品完成装配工序后的图像，由下位机图像处理模块的图像处理单元进行目标区域的识别分割、预处理、去噪以及边缘检测，从而计算获得由边缘区域的边缘面积、边缘区域平均半径、边缘区域半径标准差以及边缘形状因子四T个特征变量构成的初始特征集X=[X1, X2, X3, X4]；

T

步骤3：上位机服务器模块采用拉普拉斯分值方法，对初始特征集X=[X1, X2, X3, X4] 进行特征降维，获得待测产品的装配缺陷特征向量，并输入至PSO‑SVM模型中，识别出装配工位上的待测产品的装配缺陷类型，将识别结果反馈给自动维修处理单元，由自动维修处理单元生成对应的维修策略并控制PLC执行维修。

3.如权利要求2所述的一种在线装配缺陷识别方法，其特征在于，所述步骤1具体包括：步骤1.1：针对智能制造车间的装配生产线，确定出任一装配工位对应的若干种典型装配缺陷，采用固定设置在装配工位侧面的工业相机获取装配工位上的装配缺陷图像，完成训练样本库图像的建立；

步:1.2：对于任一装配工位，根据该装配工位的若干种典型装配缺陷反映在训练样本库图像上的区域位置，确定出该装配工位的目标区域信息，并记录在装配工位目标区域信息数据库中；

步骤1.3：下位机图像处理模块识别并分割出训练样本库图像上的目标区域，并经过图T像预处理、去噪以及边缘检测后，提取出训练样本库图像的初始特征集X=[X1, X2, X3, X4] ，并发送至上位机服务器模块；

T

步骤1.4：上位机服务器模块采用拉普拉斯分值方法对初始特征集X=[X1, X2, X3, X4]进行特征降维，将计算所得的每个特征变量对应的拉普拉斯分值按从小到大排列，组成装配缺陷特征向量，再输入至PSO‑SVM装配缺陷识别模型中进行训练学习。

4.如权利要求2所述的一种在线装配缺陷识别方法，其特征在于，所述步骤2具体包括：步骤2.1：上位机服务器模块控制待测产品在装配生产线上移动，设置在装配工位上的位置传感器检测到待测产品到达预设位置时，发送脉冲信号至上位机服务器模块，由上位机服务器模块控制进行装配工序，经过一预设时间后待测产品完成装配，启动工业相机拍摄待测产品的装配图像；

步骤2.2：下位机图像处理模块接收到某一装配工位的待测产品实时装配图像后，通过查询装配工位目标区域信息数据库，获知对应装配工位的目标区域信息，由图像处理单元识别并分割出待测产品装配图像的目标区域，经过图像预处理、去噪以及边缘检测，从而计算获得由边缘区域的边缘面积、边缘区域平均半径、边缘区域半径标准差以及边缘形状因T子四个特征变量构成的初始特征集X=[X1, X2, X3, X4]。

5.如权利要求2所述的一种在线装配缺陷识别方法，其特征在于，在所述步骤3中，采用T拉普拉斯分值方法计算初始特征集X=[X1, X2, X3, X4]中每一个特征变量的拉普拉斯分值具体包括如下步骤：步骤3.1：构造一个具有m个样本点的近邻图Q，近邻图Q是描述样本之间关系的一类图；

第i个节点对应Xi，第j个节点对应Xj，判断样本点i和样本点j是否连通；

步骤3.2：若样本点i和样本点j不连通，令Sij=0；否则，令  （6）

其中，i,j=1,2,…,m，为热核宽度；

T

步骤3.3：对于初始特征集中的第r个特征，定义fr=[fr1, fr2, …, frm] ，L=D‑S；其中D为对角阵，矩阵L为临近图Q的拉普拉斯矩阵，I为单元矩阵，r=1,2,…,n；

步骤3.4：对各个特征进行去均值化处理，得到去均值化处理后的各fri的特征元素集合；

步骤3.5：计算第r个特征的拉普拉斯分值 ，构成装配缺陷特征向量。