轴承是工业中应用极为广泛的一种零部件,是现代化机械设备的重要配套基础件。在轴承生产过程中,其表面缺陷检测仍多借助于人工检测,具有稳定性差、工作量大等缺点。机器视觉系统具有检测速度快,自动化程度高,无损检测等优点,非常适用于轴承外观缺陷的检测。由此对基于机器视觉的轴承表面缺陷检测与识别系统进行了研究,主要工作内容及创新点包括:(1)完成了基于机器视觉的轴承表面缺陷检测与识别系统的硬件设计和算法设计。首先,对系统进行了整体设计,通过分析轴承的结构特点和常见缺陷,确立了系统设计的目标,并根据这一设计要求给出了系统的整体方案;其次,对系统的硬件进行了设计,把系统硬件分为图像采集子系统、上下料子系统、工位转移子系统等,并逐一对各个子系统进行了设计和说明;再次,对系统的软件算法部分进行了设计,根据图像工程的理论框架,设计了本文算法的整体流程,并按顺序对主要步骤进行了算法的设计和说明;最后,通过实验对所提算法进行了实验验证。(2)其中所设计的自动化图像采集与上下料装置能够自动采集轴承四个面的图像,并实现自动化上下料,是本研究在机械结构设计方面的主要创新点。(3)为了提高机器视觉系统的图像分割精度,提出了一种以小波变换为分类特征的局部多神经网络(Local Multi-Neural Network)图像分割算法,简写为Lc-MNN算法。算法通过小波特征提取、Lc-MNN区域划分、Lc-MNN分类三步,实现了对缺陷图像的精确分割。实验证明算法可有效提高缺陷区域的分割精度,保留缺陷区域更多细节特征,为下一步的特征提取打下良好基础,是本研究的理论创新点之一。(4)针对现有基于机器视觉的轴承表面缺陷类型识别中分类特征选择这一薄弱环节,提出一种综合运用标量特征选择(Scalar selection)、相关分析(Correlation analysis)和特征向量选择(Vector selection)的实用特征选择算法,简写为SCV算法。算法首先通过相关分析剔除相似特征;然后用标量特征选择算法作进一步筛选;最后用特征向量选择算法选出最终分类特征。对比试验表明:该算法可实现有效的特征选择,在实验所用3种缺陷类型的600个检测样本情况下,识别率达99.5%,且避免了大规模的运算,是本研究的另一个理论创新点。