轴承是机械装配中的关键部件,承担着支撑转动体,降低摩擦系数的重要作用。轴承在加工过程中出现的表面缺陷会导致机器运行振动、产生异响,影响机器的使用寿命。因此实现轴承表面缺陷的在线识别,对保证轴承产品质量具有重要意义。本文针对万向节轴承外圈多表面缺陷识别中存在的难点,利用机器视觉相关技术手段,设计出一种适用于轴承外圈的多表面缺陷区域分割算法,提出一种多模态关联形状描述子解决特征提取问题,并实现了样本采集欠完备条件下缺陷目标识别模型的训练;最终将这套表面缺陷在线识别方案在某企业的生产线中进行了部署验证。本文主要内容如下:第一章概述了基于机器视觉进行表面缺陷识别任务的三大技术手段,并阐述其在轴承表面缺陷识别中的研究现状。针对万向节轴承外圈中缺陷会分布在多个表面而导致的识别困难进行分析,提出本文的研究内容与组织架构。第二章针对轴承外圈多个表面形貌特征不同导致的缺陷区域分割困难,设计出一种适应于轴承外圈多表面的缺陷区域分割算法。以区域生长分割法为基础思想,采用二维Mallat算法实现多尺度目标区域边缘预选;采用k-均值聚类算法,进行同类目标边缘点的类间聚集,解决了传统算法中手动选择种子点这一局限;最终通过质心生长算法实现了不同表面上缺陷区域的图像分割。第三章提出了一种基于多模态关联形状描述子的缺陷区域特征提取方法,解决了不同表面上缺陷区域存在特征差异的问题。通过傅里叶形状描述子和曲率直方图分别在全局、局部两个模态下提取形状特征信息。为了防止不同模态下关联特征造成的“冗余计算”和“维数灾难”,利用典型相关性分析进行特征变量的相关性判定,对不同模态的特征进行优化组合,构造出一种鲁棒性更强的特征提取描述子。第四章为了解决多表面缺陷识别中图像数据采集欠完备的情况,在传统支持向量机模型构建的基础上,利用直推式学习减少了标记工作的资源开销,同时辅助提升了模型的泛化能力。借助超球体结构解决了表面缺陷的多分类问题,相较于组合多个二分类支持向量机的传统方案,提高了缺陷识别模型在工业场景下的鲁棒性。第五章依托企业的实际项目,基于工业场景的缺陷识别需求和硬件设备条件开发了万向节轴承外圈表面缺陷识别软件。在生产现场进行了调试和部署,通过试运行验证了轴承外圈表面缺陷识别系统的可靠性。第六章对全文内容进行了总结,分析了在研究过程中存在的局限,并对未来的研究方向进行了展望。