基于机器视觉的轴承表面缺陷检测系统研究

这是一篇关于轴承,表面缺陷,机器视觉,图像预处理,缺陷识别的论文, 主要内容为轴承是一种降低转动零件之间摩擦的关键部件。在轴承的实际生产过程中,由于各种因素的影响,会导致其出现各种表面缺陷,进而加速轴承的损坏,导致设备故障。现有的轴承表面缺陷检测多以人工目测为主,这种方式效率低下且存在较高的误检率,难以满足国家对高质量轴承类产品的要求。因此,亟需开发出一套具有检测速度快、自动化程度高的轴承表面缺陷检测系统,本文结合机器视觉技术,围绕轴承表面自动化检测技术及其系统研发展开研究,主要的研究内容如下:针对轴承表面缺陷检测的实际应用需求,设计了一套基于机器视觉的轴承表面缺陷检测系统。该检测系统确定了检测模块的机械结构、机器人视觉设备及轴承的固定安装方式;对该检测系统进行了整体电路分析和局部硬件设计,完成了检测系统的控制电路设计,并基于X-Sight软件开发了检测系统的控制软件。针对轴承表面缺陷定位准确性较差的问题,提出了基于图像识别的缺陷边缘特征提取方法。利用图像灰度化和滤波处理方法对轴承缺陷图像进行预处理,在滤波处理过程中,通过对比Sobel算子和Canny算子的边缘检测效果,提出了一种非极大值来抑制插值的方法,并基于迭代法选取高阈值和择优选取低阈值对Canny算子边缘检测进行了优化,提高了缺陷定位的准确性。针对轴承表面缺陷类型的识别和分割问题,完成了多种类型的轴承表面缺陷检测和识别。通过提取缺陷区域的ROI,对图像进行了二值化和形态学处理,实现了轴承表面缺陷的定位;针对轴承黑皮类缺陷,提出了基于加权类间方差的Otsu算法进行图像分割,该方法提高了获取阈值的准确性和检测效率,获得了更好的图像分割效果;针对磕碰伤类缺陷,采用了局部阈值分割中的动态阈值法实现了缺陷分割,实验结果满足相关要求。最后对分割图像运用形态学方法,实现了缺陷区域的处理和不同特征的提取。最后,基于X-Sight软件开发了检测系统的控制软件。研究了机器人运动轨迹的控制方法,完成了轴承表面缺陷的识别和分拣,并设计了相关实验验证系统的性能,相比于人工检测,该系统有效提高了缺陷检测的准确率和可靠性。

基于面阵相机的表面缺陷视觉检测成像系统研究

这是一篇关于视觉成像,表面缺陷,质量检测,辅助选型系统,图像清晰度评价的论文, 主要内容为随着科技发展突飞猛进、产品日趋复杂化、人们对产品质量要求日趋严格,智能质量检测成为制造企业提高质量水平和提升核心竞争力的关键要素。零部件表面缺陷直接影响产品外观、性能、寿命,甚至运行安全,因此表面缺陷检测对制造企业具有极为重要的意义。机器视觉表面缺陷检测以非接触式、精度高与安全可靠等优点,广泛运用于各工业领域。成像系统的设计与图像质量评估对机器视觉检测具有至关重要的影响,是提高缺陷检测精度、效率、可靠性的关键。因此,对表面缺陷视觉检测成像系统进行研究具有极为重要的意义和工程应用价值。针对当前表面缺陷视觉检测项目存在成像系统设计耗时费力、设计流程不明确和缺乏相应的图像质量评价方法的问题,本文对表面缺陷检测成像系统整体设计与评价展开了深入研究,设计了各成像设备选型的流程,开发了视觉成像设备辅助选型系统,通过成像光学模型指导成像系统照明设计,重点对无参图像清晰度评价算法进行了研究与改进,最后基于上述所有研究成果,通过两个表面缺陷检测的实例予以应用验证。本文主要研究工作如下:(1)从表面缺陷视觉检测成像系统设计的整体流程出发,基于成像设备选型的基础与匹配原则,设计了面阵相机与定焦、变焦和远心三种镜头的选型流程;分析了表面缺陷视觉检测中常用LED光源的特点、适用场景与照明相关的颜色特性和表面反射性质,设计了光源选型流程。(2)基于表面缺陷视觉检测成像系统的相机和镜头选型流程,设计并开发了视觉成像设备辅助选型系统。该系统利用SQL Server数据库对成像设备信息进行管理,基于Matlab App Designer设计了系统可视化界面和选型程序。在对EMC支架和SFP+底座两个表面缺陷检测实例进行缺陷类型与检测需求分析的基础上,基于该辅助选型系统分别完成了EMC支架和SFP+底座两个表面缺陷视觉检测实例的成像相机和镜头设备选型,验证了系统辅助选型的有效性。(3)对面阵相机成像光学模型进行研究,推导了图像灰度影响因素的数学模型。基于该模型对EMC支架和SFP+底座两个表面缺陷检测实例进行成像系统照明设计,对前者成像系统分别设置了光照角度和光照强度实验,对后者分别设计了照明方案对比和光照强度实验,运用图像分割方法和缺陷显现力指标对两个实例不同照明方案获得的图像进行评价,完成了两个表面缺陷视觉检测成像系统照明方式的设计。(4)引入无参考图像清晰度评价算法对视觉成像系统的运行状态进行检测,判断成像系统是否处于正焦及能否获取可处理的图像的状态,可用于成像设备调试和设备大修后的图像评价。针对现有的经典算法Reblur和NRSS算法未能对SFP+底座表面缺陷视觉检测成像系统所采集的清晰与模糊图像作出准确评价的问题,提出了一种基于加权模型的无参图像清晰度算法。该算法充分利用了Reblur算法的效率优势和NRSS算法的性能优势,引入与人眼视觉特性更为接近的GSSIM模型替代NRSS算法中SSIM模型,同时在充分利用全局和局部细节信息的基础上,为提高效率采用不重叠遍历图像的方式提取信息丰富的图像块。基于LIVE和TID2013模糊图像数据库的实验和相关对比结果,验证了本文提出的基于加权模型的无参图像清晰度算法的准确性和优越性,最后将该算法对EMC支架和SFP+底座两个表面缺陷视觉检测成像系统所采集的清晰与模糊图像进行评价,进一步验证了该算法的有效性。论文研究成果对于工业场景表面缺陷检测的视觉成像系统设计与图像评价具有一定借鉴参考意义和工程应用价值。

基于生成对抗网络的工业产品表面缺陷检测算法研究

这是一篇关于表面缺陷,生成对抗网络,无监督异常检测,缺陷仿真,目标检测的论文, 主要内容为随着工业的快速发展,如何实现工业产品质量的自动化检测是一个亟待解决的问题,表面缺陷检测是其中一个至关重要的环节。深度学习在表面缺陷检测领域已经取得了可观的成果,但缺陷样本数量稀缺的问题,会对其训练造成很大的困难。本文的课题来源于校企合作项目,研究了两种不同的工业产品在缺陷样本稀缺情况下的表面缺陷检测问题,基于生成对抗网络设计了不同的缺陷检测方案。针对有机发光二极管(Organic Light-Emitting Diode,OLED)屏幕Mura缺陷样本稀缺、缺陷偶发及缺陷特征多变等问题,结合其背景简单的特点,本文基于生成对抗网络提出了一种无监督异常检测模型Res-unet GAN。该模型的生成器由Res Net50和UNet组成,来实现对正常样本的高质量重构,并对判别器和损失函数进行了优化,来提高模型性能。该模型只需正常样本进行训练,即可完成样本的分类检测。相较于其他基于生成对抗网络的无监督异常检测模型,本文模型对Mura缺陷具备更好的分类检测性能。针对5G陶瓷滤波器表面缺陷样本稀缺问题,因其背景复杂无法采用无监督异常检测的方法,本文基于生成对抗网络提出了一种生成缺陷仿真样本的模型。该模型基于Pix2Pix HD网络改进而来。首先为了解决高分辨率下缺陷图像仿真问题,对Pix2Pix HD网络进行逐分辨率训练,使其能够将标记图像仿真成缺陷图像。其次为了解决缺陷仿真图像背景噪声的问题,提出了通过掩膜图像来实现图像融合的方法,来进一步提高缺陷仿真样本的质量,实现了缺陷样本的扩增。在生成5G陶瓷滤波器表面缺陷仿真样本后,为了实现缺陷的目标检测,本文基于YOLOv3网络进行改进得到一种目标检测模型。该模型通过Mixup算法和SE注意力机制提高YOLOv3网络的泛化能力和加强对特征微弱缺陷的检测。实验表明,优化后的模型对陶瓷滤波器缺陷的检测性能要优于YOLOv3网络。模型对真实缺陷样本的成功检测,也证明了通过生成缺陷仿真样本来解决缺陷样本稀缺问题的可行性。

产品知识驱动的表面缺陷智能化识别及应用研究

这是一篇关于产品知识,表面缺陷,卷积神经网络,知识图谱,问答系统的论文, 主要内容为随着知识获取与处理技术的发展,复杂多源的数据被转换成简单易懂的知识,进而基于知识进行认知处理与调控,是当前认知制造系统的热点。产品表面缺陷和产品设计与制造之间存在着因果逻辑知识信息,这些信息是隐性的、非结构化的、零散的,难以挖掘与利用,无法充分表达出表面缺陷和产品设计与制造之间的复杂关系,也无法为解决产品缺陷问题从设计与制造方面提供先验基础。宏观方面,对产品表面缺陷检测的神经网络结构研究比较深入;微观方面,知识图谱技术对产品知识的表示方面的研究比较深入。但是融合这两方面技术,对产品表面缺陷成因进行智能化识别与可视化展示方面的研究比较少。针对上述问题,本文基于国家自然科学基金的资助和产品知识的支持,以铝型材产品表面缺陷为研究对象,开展表面缺陷智能化识别及应用研究。主要工作如下:(1)设计一种改进的Res Net网络模型提高分类效果。本文使用Res Net101作为产品表面缺陷识别网络,着重对类型识别部分进行研究,提出了一种基于可变形卷积的Res Net-DBR模型,解决了产品表面不规则缺陷难识别的问题。(2)提出一种基于知识图谱的深层次缺陷表示方法,用于对产品表面缺陷图像的语义信息进行表达。以缺陷中的“类型—特点—原因—解决对策”四个要素为核心,设计缺陷类型、制造工具、工艺流程等实体的领域本体,并将其存储在Neo4j图数据库中。(3)根据已改进的卷积神经网络和已构建的表面缺陷知识图谱,通过Vue3与Fast API前后端分离技术搭建图像语义精细化识别系统。用户可通过该系统上传待检测的缺陷图像,然后卷积神经网络识别出该缺陷类型,最后由该缺陷类型驱动对应知识图谱的生成,从而将表面缺陷的知识更好地可视化出来。(4)设计并实现了产品表面缺陷知识问答系统,为设计生产制造人员提供了更加智能的产品质量追溯方式,提升了探寻产品质量追溯的便捷性及实时性。

基于深度学习的表面缺陷检测

这是一篇关于智能生产,表面缺陷,实时检测,在线检测系统的论文, 主要内容为随着人工智能技术的发展和智能生产项目的普及,自动化的人工智能系统逐渐成为了工业领域中的研究热点。目标检测作为计算机视觉领域的基础问题,如何更高效的实现工业领域中的目标检测仍然是自动化目标检测系统开发过程中的重要挑战,尤其是在需要兼顾检测的精度和实时性的条件下。为此,本文引入了在一阶检测器的基础上进行改进的MSFT-YOLO模型,并基于该模型设计并实现了材料表面缺陷检测系统,具体内容与成果如下:针对现有的目标检测和材料表面缺陷检测方法进行系统的介绍,详细阐述了其基本原理,模型结构以及适用场景,对常用的一阶段检测器和二阶段检测器进行了实验研究和对比分析。通过权衡模型的使用条件和性能表现,明确了算法框架选择方向以及系统的主要需求,制定了以一阶段检测器为基础进行改进的算法方案以适用于材料表面缺陷检测任务。针对工业场景下,表面缺陷检测过程中图像背景干扰大、缺陷类别易混淆、缺陷尺度变化大、小缺陷检测效果差的问题提出了 MSFT-YOLO模型,通过在骨干网络和检测头中添加基于Transformer设计的TRANS模块使特征可以结合全局信息;通过结合BiFPN结构使不同尺度的特征融合增强了检测器对不同尺度目标的动态调整能力。同时以MSFT-YOLO检测模型为核心,搭建了基于B/S架构的材料表面缺陷在线检测系统。以增强用户体验、提高平台检测效率为目的,综合使用Element-UI、Axios以及MongoDB等多种开发工具设计了可交互性强、功能稳定的材料表面缺陷在线检测系统,通过模块化设计和卡片式布局实现了外观简洁的交互UI界面,大幅度提高了系统使用的便捷性。集成了登录校验、系统设置等基础功能和上传图片检测、检测效果反馈、历史记录查询等系统功能,实现了智能化在线检测。为验证算法的有效性设计了对比实验,实验结果表明该模型在能达到较高检测精度的同时还有实时检测的能力。NEU-DET数据集上的检测精度可以达到75.2,在YOLOv5的基础上提高了 7%,可以解决工业场景中材料表面缺陷检测对于背景干扰强、缺陷尺度变化大、有大量小缺陷且缺陷目标易混淆的图像检测效果差的问题。同时结合浏览器、Postman等第三方软件对材料表面缺陷在线检测系统进行了功能测试,平台测试结果表明该系统核心模块功能正确、运行状况良好,具有较高的工程应用价值。

面向清洁切削的表面质量检测及加工性能评价系统研究

这是一篇关于清洁切削,表面粗糙度,表面缺陷,深度学习,切削数据库的论文, 主要内容为未来切削技术必然要满足绿色、环境和谐的清洁加工要求,清洁切削工况下加工过程中的基本现象和机理都会发生显著变化,其相关检测技术研究也尚未完善。本研究针对国家重点研发计划课题:清洁切削加工综合性能评价及检测技术(2018YFB2002205)提出的高速干切、低温切削和微量润滑切削等清洁切削加工方式,从切削加工创成的加工表面质量检测方法和方式入手,针对已有检测方法的流程繁琐、智能化程度低等技术缺点,基于深度学习方法和机器视觉技术研究表面粗糙度检测模型和表面缺陷检测模型的构建,在课题组已有切削数据库的研究基础之上,丰富和扩容系统功能,设计和开发清洁切削加工表面质量综合评价系统,实现表面粗糙度和表面缺陷检测功能以及切削加工数据管理、切削试验数据共享、工艺计算和材料可加工性评价功能。本文的具体研究工作如下:基于卷积神经网络和图像修复算法构建抗切屑干扰的表面粗糙度检测模型。以高温合金GH4169为研究对象开展清洁铣削试验,利用激光扫描显微镜获取工件表面图像并测量粗糙度值,建立粗糙度检测数据集。构建卷积神经网络(CNN)分类模型进行粗糙度检测,分析其对于清洁表面图像和存在切屑的表面图像的检测性能,结果表明,其对于前后两者的检测平均相对误差值分别为3.5%和14.0%,对于单幅图像的平均检测时间为0.28 s。针对切屑影响检测精度问题,提出基于图像修复的抗切屑干扰检测框架。基于Unet模型集成Bottleneck结构和注意力机制构建CBAM Res-Unet语义分割模型,实现切屑区域的定位和分割;基于PConv-Net构建图像修复模型,实现切屑区域的修复。集成CBAM Res-Unet、PConv-Net和CNN模型形成抗切屑干扰检测框架,对于存在切屑的表面图像,该框架的检测相对误差控制在6.8%以内,平均相对误差值为3.6%,单幅图像的平均检测时间为0.79 s。基于Rep-CA-YOLOv5s目标检测算法构建表面缺陷检测模型。以清洁铣削加工的GH4169工件为研究对象,采用工业相机采集工件表面图像,建立包含凹坑和划痕缺陷类别的缺陷检测数据集。利用构建的数据集训练并测试YOLOv5s网络,结果显示,模型检测精度、召回率和平均精度均值分别为92.2%、83.0%和91.7%,该模型对于较长划痕缺陷检测精度较低。在YOLOv5s网络引入RepVGG模块和坐标注意力模块构建Rep-CA-YOLOv5s网络,并利用SIoU评价指标构建网络回归损失函数,提高模型检测性能。试验结果表明,Rep-CA-YOLOv5s模型提高了对于划痕缺陷的检测能力,其检测精度、召回率和平均精度均值分别提高了 1.5%、7.2%和3.5%。基于通道剪枝和滤波器剪枝展开模型的推理速度提升研究,在损失函数中分别加入BN层γ缩放因子和卷积核权重w的L1正则约束项实现模型的稀疏训练,综合模型检测精度和稀疏程度选择最优稀疏模型作为剪枝模型。设置不同剪枝比例进行剪枝试验,结果显示,对于Rep-CA-YOLOv5s模型,在同等剪枝率下滤波器剪枝方法对于模型的压缩力度和推理速度的提升程度更大。在剪枝率为50%时,通过滤波器剪枝方法得到最优检测模型,其mAP值为94.2%,单幅图像的平均推理时间为4.3 ms。设计并开发清洁切削加工表面质量综合评价系统。针对清洁切削加工场景分析评价系统需求,确定评价系统实现的功能及需求的数据支撑,完成相关切削数据信息的收集和整理。设计数据库的概念结构和逻辑结构,构建切削数据库为评价系统提供数据支撑。综合加工成本、环境影响和加工质量构建材料可加工性评价模型。评价系统采用B/S体系架构,利用Django框架和Python汇编语言完成评价系统的开发工作,将建立的粗糙度检测模型和表面缺陷检测模型部署到评价系统,系统最终实现切削数据管理、数据共享、材料可加工评价和和工件表面质量检测与评价功能。

面向清洁切削的表面质量检测及加工性能评价系统研究

这是一篇关于清洁切削,表面粗糙度,表面缺陷,深度学习,切削数据库的论文, 主要内容为未来切削技术必然要满足绿色、环境和谐的清洁加工要求,清洁切削工况下加工过程中的基本现象和机理都会发生显著变化,其相关检测技术研究也尚未完善。本研究针对国家重点研发计划课题:清洁切削加工综合性能评价及检测技术(2018YFB2002205)提出的高速干切、低温切削和微量润滑切削等清洁切削加工方式,从切削加工创成的加工表面质量检测方法和方式入手,针对已有检测方法的流程繁琐、智能化程度低等技术缺点,基于深度学习方法和机器视觉技术研究表面粗糙度检测模型和表面缺陷检测模型的构建,在课题组已有切削数据库的研究基础之上,丰富和扩容系统功能,设计和开发清洁切削加工表面质量综合评价系统,实现表面粗糙度和表面缺陷检测功能以及切削加工数据管理、切削试验数据共享、工艺计算和材料可加工性评价功能。本文的具体研究工作如下:基于卷积神经网络和图像修复算法构建抗切屑干扰的表面粗糙度检测模型。以高温合金GH4169为研究对象开展清洁铣削试验,利用激光扫描显微镜获取工件表面图像并测量粗糙度值,建立粗糙度检测数据集。构建卷积神经网络(CNN)分类模型进行粗糙度检测,分析其对于清洁表面图像和存在切屑的表面图像的检测性能,结果表明,其对于前后两者的检测平均相对误差值分别为3.5%和14.0%,对于单幅图像的平均检测时间为0.28 s。针对切屑影响检测精度问题,提出基于图像修复的抗切屑干扰检测框架。基于Unet模型集成Bottleneck结构和注意力机制构建CBAM Res-Unet语义分割模型,实现切屑区域的定位和分割;基于PConv-Net构建图像修复模型,实现切屑区域的修复。集成CBAM Res-Unet、PConv-Net和CNN模型形成抗切屑干扰检测框架,对于存在切屑的表面图像,该框架的检测相对误差控制在6.8%以内,平均相对误差值为3.6%,单幅图像的平均检测时间为0.79 s。基于Rep-CA-YOLOv5s目标检测算法构建表面缺陷检测模型。以清洁铣削加工的GH4169工件为研究对象,采用工业相机采集工件表面图像,建立包含凹坑和划痕缺陷类别的缺陷检测数据集。利用构建的数据集训练并测试YOLOv5s网络,结果显示,模型检测精度、召回率和平均精度均值分别为92.2%、83.0%和91.7%,该模型对于较长划痕缺陷检测精度较低。在YOLOv5s网络引入RepVGG模块和坐标注意力模块构建Rep-CA-YOLOv5s网络,并利用SIoU评价指标构建网络回归损失函数,提高模型检测性能。试验结果表明,Rep-CA-YOLOv5s模型提高了对于划痕缺陷的检测能力,其检测精度、召回率和平均精度均值分别提高了 1.5%、7.2%和3.5%。基于通道剪枝和滤波器剪枝展开模型的推理速度提升研究,在损失函数中分别加入BN层γ缩放因子和卷积核权重w的L1正则约束项实现模型的稀疏训练,综合模型检测精度和稀疏程度选择最优稀疏模型作为剪枝模型。设置不同剪枝比例进行剪枝试验,结果显示,对于Rep-CA-YOLOv5s模型,在同等剪枝率下滤波器剪枝方法对于模型的压缩力度和推理速度的提升程度更大。在剪枝率为50%时,通过滤波器剪枝方法得到最优检测模型,其mAP值为94.2%,单幅图像的平均推理时间为4.3 ms。设计并开发清洁切削加工表面质量综合评价系统。针对清洁切削加工场景分析评价系统需求,确定评价系统实现的功能及需求的数据支撑,完成相关切削数据信息的收集和整理。设计数据库的概念结构和逻辑结构,构建切削数据库为评价系统提供数据支撑。综合加工成本、环境影响和加工质量构建材料可加工性评价模型。评价系统采用B/S体系架构,利用Django框架和Python汇编语言完成评价系统的开发工作,将建立的粗糙度检测模型和表面缺陷检测模型部署到评价系统,系统最终实现切削数据管理、数据共享、材料可加工评价和和工件表面质量检测与评价功能。

产品知识驱动的表面缺陷智能化识别及应用研究

这是一篇关于产品知识,表面缺陷,卷积神经网络,知识图谱,问答系统的论文, 主要内容为随着知识获取与处理技术的发展,复杂多源的数据被转换成简单易懂的知识,进而基于知识进行认知处理与调控,是当前认知制造系统的热点。产品表面缺陷和产品设计与制造之间存在着因果逻辑知识信息,这些信息是隐性的、非结构化的、零散的,难以挖掘与利用,无法充分表达出表面缺陷和产品设计与制造之间的复杂关系,也无法为解决产品缺陷问题从设计与制造方面提供先验基础。宏观方面,对产品表面缺陷检测的神经网络结构研究比较深入;微观方面,知识图谱技术对产品知识的表示方面的研究比较深入。但是融合这两方面技术,对产品表面缺陷成因进行智能化识别与可视化展示方面的研究比较少。针对上述问题,本文基于国家自然科学基金的资助和产品知识的支持,以铝型材产品表面缺陷为研究对象,开展表面缺陷智能化识别及应用研究。主要工作如下:(1)设计一种改进的Res Net网络模型提高分类效果。本文使用Res Net101作为产品表面缺陷识别网络,着重对类型识别部分进行研究,提出了一种基于可变形卷积的Res Net-DBR模型,解决了产品表面不规则缺陷难识别的问题。(2)提出一种基于知识图谱的深层次缺陷表示方法,用于对产品表面缺陷图像的语义信息进行表达。以缺陷中的“类型—特点—原因—解决对策”四个要素为核心,设计缺陷类型、制造工具、工艺流程等实体的领域本体,并将其存储在Neo4j图数据库中。(3)根据已改进的卷积神经网络和已构建的表面缺陷知识图谱,通过Vue3与Fast API前后端分离技术搭建图像语义精细化识别系统。用户可通过该系统上传待检测的缺陷图像,然后卷积神经网络识别出该缺陷类型,最后由该缺陷类型驱动对应知识图谱的生成,从而将表面缺陷的知识更好地可视化出来。(4)设计并实现了产品表面缺陷知识问答系统,为设计生产制造人员提供了更加智能的产品质量追溯方式,提升了探寻产品质量追溯的便捷性及实时性。

基于机器视觉的轴承表面缺陷检测系统研究

这是一篇关于轴承,表面缺陷,机器视觉,图像预处理,缺陷识别的论文, 主要内容为轴承是一种降低转动零件之间摩擦的关键部件。在轴承的实际生产过程中,由于各种因素的影响,会导致其出现各种表面缺陷,进而加速轴承的损坏,导致设备故障。现有的轴承表面缺陷检测多以人工目测为主,这种方式效率低下且存在较高的误检率,难以满足国家对高质量轴承类产品的要求。因此,亟需开发出一套具有检测速度快、自动化程度高的轴承表面缺陷检测系统,本文结合机器视觉技术,围绕轴承表面自动化检测技术及其系统研发展开研究,主要的研究内容如下:针对轴承表面缺陷检测的实际应用需求,设计了一套基于机器视觉的轴承表面缺陷检测系统。该检测系统确定了检测模块的机械结构、机器人视觉设备及轴承的固定安装方式;对该检测系统进行了整体电路分析和局部硬件设计,完成了检测系统的控制电路设计,并基于X-Sight软件开发了检测系统的控制软件。针对轴承表面缺陷定位准确性较差的问题,提出了基于图像识别的缺陷边缘特征提取方法。利用图像灰度化和滤波处理方法对轴承缺陷图像进行预处理,在滤波处理过程中,通过对比Sobel算子和Canny算子的边缘检测效果,提出了一种非极大值来抑制插值的方法,并基于迭代法选取高阈值和择优选取低阈值对Canny算子边缘检测进行了优化,提高了缺陷定位的准确性。针对轴承表面缺陷类型的识别和分割问题,完成了多种类型的轴承表面缺陷检测和识别。通过提取缺陷区域的ROI,对图像进行了二值化和形态学处理,实现了轴承表面缺陷的定位;针对轴承黑皮类缺陷,提出了基于加权类间方差的Otsu算法进行图像分割,该方法提高了获取阈值的准确性和检测效率,获得了更好的图像分割效果;针对磕碰伤类缺陷,采用了局部阈值分割中的动态阈值法实现了缺陷分割,实验结果满足相关要求。最后对分割图像运用形态学方法,实现了缺陷区域的处理和不同特征的提取。最后,基于X-Sight软件开发了检测系统的控制软件。研究了机器人运动轨迹的控制方法,完成了轴承表面缺陷的识别和分拣,并设计了相关实验验证系统的性能,相比于人工检测,该系统有效提高了缺陷检测的准确率和可靠性。