机器视觉技术由于具有处理速度快、精度高和成本低等优点而成为国内外研究者关注的热点,其应用效果在汽车零部件的表面缺陷检测方面表现尤为突出。汽车零部件作为汽车的组成部分,是决定汽车性能和安全的重要因素,其中汽车卡钳和带座外球面轴承的检测是较典型的重要检测对象。而近年来汽车配件维修工厂常见的人工目测的方式效率和合格率低。本文通过对基于机器视觉的图像处理技术的研究和对汽车卡钳和轴承表面特点的分析,将汽车卡钳和带座外球面轴承作为研究对象,设计了一种对轴承端面缺陷识别的方法;利用课题合作公司提供的机械臂图像采集系统,设计了一套汽车卡钳图像采集兼离线检测的算法。本文所研究的内容如下:(1)针对汽车卡钳体积大、形状不一、待检测位置多和存在大面积复杂纹理背景等形状特点,选择了适合场景的光源、相机和镜头等元器件,以及相机和镜头的参数和两者的摆放位置;针对常规的检测方法速度慢、精确度低等难点,利用机械臂灵活、易定位等优点,将带有相机的机械臂与缺陷检测算法相结合,可以兼具汽车卡钳图像采集和实时缺陷检测的功能。(2)针对汽车卡钳存在的待检测位置较多且有复杂的纹理背景等问题,提出了一种将灰度均值法和LBP算子相结合的检测方法。首先对卡钳样本进行感兴趣区域提取,并做小波去噪预处理,计算每一个位置正品模板和样品的灰度均值比,设置合适的阈值去除灰度均值比相差较大的有缺陷图像;若灰度均值比在难以区分的范围M内,再使用LBP算子提取特征,最后将模板特征与M范围内的待检测图像特征进行相似性度量,以实现对卡钳的判别。实验结果表明,所提出的方法对汽车卡钳的检测具有实时性和可靠性。(3)针对带座外球面轴承端面中痕迹干扰缺陷检测的问题以及待检测区域面积小、要求精度高的特点,提出一种基于机器学习的轴承端面缺陷识别方法的研究。通过对轴承端面区域提取,将其切割为72块矩形,根据痕迹和缺陷的特点,选择灰度共生矩阵、LBP、灰度游程矩阵、邻域灰度差矩阵和灰度规模域矩阵对每张矩形图像进行特征提取。利用随机森林作为分类模型对提取的端面参数进行训练并做识别验证以确保高准确率。为了在保证原有的准确率情况下,减少识别时间,通过对切割方法、数量和滤波层数的改进,并分析特征的重要性,去除不必要特征。利用改进后的方法按照同样的步骤获取训练集并通过交叉验证,再对不同类型轴承图像识别。实验结果表明,所提出的方法不仅耗时短且具有较高的准确性,可有效的实现对轴承端面类型的识别。汽车卡钳和带座外球面轴承是汽车零部件中较为典型的难检工件,针对这两种零部件设计的检测方法,可以有效的检测出缺陷,并对其他汽车零部件的缺陷检测具有一定的参考意义。