1.一种基于视觉机器人的工件检测分拣的装置，其特征在于：包括传输装置(1)和机器人(2)，机器人(2)位于传输装置(1)侧部；所述传输装置(1)包括辊道(11)，辊道(11)上安装有光电传感器(12)和挡板(13)，辊道(11)上设有支架，该支架上设置有光源(14)和第一摄像机(15)，辊道(11)上为视觉检测区域，第一摄像机(15)拍摄于视觉检测区域；所述机器人(2)包括底座(21)、六自由度的机械臂(22)，机械臂(22)末端为第二摄像机(23)以及用于抓取的执行器(24)；传输装置(1)连接电脑，电脑对数据处理后控制传输装置(1)和机器人(2)。

2.一种基于视觉机器人的工件检测分拣的方法，其特征在于，包括以下步骤：步骤一：通过辊道(11)将工件输送至视觉检测区域，当光电传感器(12)感测到有物体时，挡板(13)升起使工件停止在视觉检测区域；

步骤二：通过第一摄像机(15)对视觉检测区域进行拍摄采集图像，对图像进行归一化预处理，进行图像增强并修正光照影响；

步骤三：基于Haar-like特征提取建立基于图像灰度变化的分类器，并使用AdaBoost算法将分类器提升为强分类器，在对强分类器进行联合形成准确率更高的级联分类器，提取ROI子图像；

步骤四：利用级联分类器对单一工件进行截取，缩小缺陷检测位置范围后，可以利用缺陷位置的特征来找到单一工件进的表面缺陷，利用人类视觉的选择性注意机制的中央-周边差计算方法，以视觉显著度为尺度，从目标图像中检测出微小缺陷及其区域；

步骤五：基于水平集对缺陷图像进行一些处理，生成满足缺陷检测要求的训练数据集；

步骤六：引入卷积神经网络(CNN)作为训练模型，在传统神经网络中加入卷积层以及池化层，引入了局部视觉和权值共享的概念减少了神经网络需要训练的特征参数个数，对缺陷图像进行识别分类；

步骤七：将检测结果对照缺陷检测标准，如果是不合格品，电脑向机器人(2)发送信息，由执行器(24)配合第二摄像机(23)跟踪目标，抓取不合格品搬运至废品箱；如果是合格品，铸件则由辊道(11)传送至工件加工区。

3.根据权利要求2所述的一种基于视觉机器人的工件检测分拣的方法，其特征在于：所述步骤三中，Haar-like特征计算如下：(1)S(x,y)表示行方向像素灰度值的累加和，初始值为S(x,-1)＝0，ii(-1,y)＝0；ii(x,y)表示Haar-like特征值的积分图， i(x,y)表示像素(x,y)的灰度值；

(2)递归计算行方向像素灰度值的累加和S(x,y)，然后再在每一列上计算ii(x,y)；

S(x,y)＝S(x,y-1)+i(x,y)

ii(x,y)＝ii(x-1,y)+s(x,y)

(3)基于积分图，计算方框像素和；

(4)基于上述的Haar-like特征建立基于图像灰度变化的分类器，其定义如下：其中，fj(x)是在窗口x下，提取到的若干特征值，pj是控制遍历方向的参数，θj为判断窗口是否为所要检测物体的阈值。

4.根据权利要求2所述的一种基于视觉机器人的工件检测分拣的方法，其特征在于：所述步骤三中，AdaBoost算法如下：假设训练样本图像为(x1,y1),...,(xn,yn)(yi＝0或1)，0表示负样本，1表示正样本；初始权重 m为负样本个数，l为正样本个数；

①归一化权重

②对于每一个特征的训练弱分类器hj使用一种特征训练，该特征的误差为εj＝∑iωi|hj(xi)-yi|，j表示特征索引，i表示任意窗口；

③选择拥有最低误差的那个分类器记为ht；

④更新权重 其中，βt为权重系数，如果分类正确ei＝1，否则为0；

⑤循环迭代，直到达到训练次数，跳出循环，

则形成的强分类器为：

5.根据权利要求2所述的一种基于视觉机器人的工件检测分拣的方法，其特征在于：所述步骤六中，网络模型的训练步骤如下：a.对输入图像进行归一化处理，统一变为64×64的二值图像；

b.对原二值图像进行第一次卷积操作，卷积核为3×3的矩阵，共使用16个随机的卷积核函数形成16个特征图像，原图为二值图像其通道数为1，可以看成从一个固有平面抽取16个平面图，由于在边界进行卷积计算时会进行补零操作，故所有特征图像和原图像大小相同；

c.对在第一次卷积层得到的特征图像进行第二次卷积计算，形成了第二个卷积层，卷积层的主要作用是将第一卷积层得到的16个特征图像进行第二次抽取得到了32个特征图像，进一步加强CNN的准确性；

d.由于卷积层得到的特征图像太多，故在每次卷积计算后通过池化层压缩得到的特征图像，池化层使用2×2的最大池化，相当于将图像压缩为原来的1/2，再经过两次池化层后图像的大小变为16×16的特征图；

e.经历两次池化操作后共得到32张16×16的特征图，现在将得到的三维特征图平摊为二维图，再接入全连接层计算，共有三个层隐藏层，第一层共有1024个神经元，第二层有215个神经元，第三层有20个神经元，通过对最后输出的10个输出进行平均得到最后的结果。由于是全连接层需要对最后的结果和样本字典中的结果进行比较得到误差进行误差反向传递，CNN模型使用ReLU函数作为每个卷积层的激活函数，使用交叉熵代价函数得到误差值。