宇文旋，卢满怀

（1.电子科技大学 机械电子工程学院，成都 611731；2.电子科技大学中山学院 机电工程学院，广东 中山 528400）

基于机器视觉的检测方法是轴承表面缺陷检测的重要手段，其高速、无损、自动化等特点吸引了大批研究人员。作为企业的管理人员，往往不仅希望将缺陷产品剔除，还希望得到缺陷的类别信息，以改进生产工艺及设备。

为完成轴承表面缺陷类型的准确识别，需要选择高效的分类特征。文献[1-3]对轴承表面缺陷的检出方法进行了深入研究，为进一步的缺陷类型识别奠定了一定基础。文献[4]以轴承生产和装配过程中产生的锈斑、划痕、裂纹等缺陷为研究对象，采用缺陷区域的单一特征——圆度作为分类特征，可识别出差别明显的缺陷类型。文献[5]研究了铁路货车轴承常见的缺陷，以缺陷区域的面积、伸长度、厚实度、圆度、边缘平滑度等作为分类特征，但由于未进行专门的特征选择，分类正确率仅80%。文献[6]在研究轴承使用过程中产生的外观缺陷分类时，分析了表面缺陷二值图像的几何特征和形状矩特征，进行了简单的比较选择，识别率提高到88%。文献[7]提出的轴承表面缺陷识别算法考虑了定位、光照、放射不变性等因素，选择缺陷的7个Hu矩值作为分类特征，识别率进一步提高到90%。文献[8]在轴承钢球生产过程缺陷分类的研究中，深入分析了缺陷的面积、长短径比、欧拉数等特征，并用于点、凹坑、群点、划伤、擦伤这5类缺陷的分类中，准确率高达96%。

综……