在“中国制造2025”和“工业4.0”的战略大背景下，CNC机床向着智能化集成化的方向发展。为加强在工业生产中对工件表面的质量监控，在CNC机床的加工过程中集成一种视觉检测技术，实现工件表面缺陷类型在线识别。以下为本篇论文的主要研究内容：
　　1.为缩小待检测区域提高特征提取的效率，针对轴类工件表面刀痕与缺陷的像素值差别不大的问题，从仿生学角度出发，使用视觉显著性的算法对其进行缺陷区域检测。在对比现有经典的视觉显著性算法后，谱残差视觉显著性算法效果最好。但使用谱残差视觉显著性算法对工件图像进行检测后仍会残留部分刀痕，因此对算法进行改进，彻底消除刀痕影响，使检测结果更加准确。使用视觉显著性检测得到结果的边缘模糊不清，因此结合超像素分割算法来进一步确定缺陷区域。使用形态学运算来消除经过图像处理以后产生的一些空隙和毛刺。
　　2.为提高缺陷识别的正确率，针对使用视觉显著性算法可能会出现的一些伪缺陷问题，提出了非下采样Contourlet变换与Hu不变矩相结合的方法来提取特征。非下采样Contourlet变换能提供不同数目的、灵活的方向，能捕捉图像的内在几何结构，有效表示图像，所以使用非下采样Contourlet变换提取原图中的缺陷信息；使用Hu不变矩提取视觉显著性图像的特征，结合两个特征得到最终特征向量。经实验验证以这种方式得到的特征值的识别正确率高于其中任何一种单一特征提取方式。为提高识别效率，针对特征值维度较大的问题，使用PCA将特征降维。
　　3.通过图像实验验证了以上算法的有效性，且满足实时性的要求。提出了CNC轴类工件表面缺陷在线识别解决方案，使用基于FPGA+DSP的软硬件系统，实现了加工循环中图像自动采集、图像预处理及视觉特征提取、缺陷识别等功能。针对汽车关键件CNC加工的工程应用验证表明：针对两种典型缺陷的辨识率达到100%。