随着中国市场对产品的检测效率以及质量的需求越来越高,人工检测已无法满足要求,机器视觉检测成为了工业检测中的重要部分。在汽车零部件中,轴承作为主要金属部件,应用广泛。而轴承滚子作为轴承的重要组成部分,滚子质量的好坏直接影响轴承的使用寿命与性能,因此对轴承滚子的表面缺陷以及尺寸的检测便成为了重要的环节。目前市面上轴承滚子是利用人工进行目测,存在效率低、经验性依赖强等问题,而基于视觉的检测方法利用机器换人的方式,可以有效代替人工进行检测,检测效率高,适应性强。本课题是基于机器视觉的方法,针对轴承滚子进行表面缺陷以及尺寸的检测。具体研究内容如下:（1）根据检测内容与目标,进行了轴承滚子表面缺陷检测与尺寸测量的整体方案设计,完成了检测系统的平台搭建。（2）根据设计方案,对相机、光源、镜头等硬件进行选型,其次对打光方式进行设计,完成了零件的图像采集。（3）在缺陷检测方面,利用HALCON完成对轴承滚子大小端面的缺陷检测,并利用基于VGG16网络的深度学习模型进行缺陷识别,识别缺陷的准确率为95.64%。（4）为实现尺寸的精确测量,本文首先利用工业级软件HALCON编程实现,并利用QT完成尺寸测量的人机交互界面,能快速显示测量尺寸是否合格,并统计所用时间。在针对传统Canny算法测量精度低、易受干扰的缺点,利用了一种改进的Canny算法进行图像边缘的粗定位,再利用三阶灰度矩进行亚像素边缘点的提取,并采用最小二乘拟合法进行边缘点的拟合,完成了滚子端面直径与圆度的测量,并与插值法、自适应阈值的Zernike矩法得到的亚像素边缘进行对比。针对端面圆度评估不准确性的问题,利用一种改进的MZC圆度测量方法,完成了滚子圆度圆柱度误差的有效测量,测量结果与螺旋测微器以及三维轮廓扫描仪获得的零件尺寸进行比较。实验表明,利用本文改进的算法,其直径测量误差控制在10um以下,圆度圆柱度误差控制在15um以下,具有很好的实用性,满足实际测量要求。实验结果表明:本文利用传统算法与深度学习完成了缺陷的识别,同时所提出尺寸测量算法能有效地实现精密测量,具有很好的工程实用价值。