钢球表面质量对轴承的精度、运动性能、使用寿命等方面都有着至关重要的影响,但目前大多数生产企业在进行钢球表面检测时仍以人工目测为主,既花费大量人力物力,又不能确保检测的可靠性。因此,迫切需要一种高效、廉价的技术对钢球外观进行检测。机器视觉是伴随着计算机技术的发展而产生的一门新兴技术。本文将机器视觉技术应用到钢球的表面缺陷检测中,根据采集到的缺陷图像的特点进行图像处理并提取出缺陷特征,最后利用有效特征对缺陷进行分类,实现了钢球表面缺陷的自动检测。钢球表面缺陷形态各异,类型多样。本文根据几种常见的缺陷类型,制定钢球表面缺陷检测系统的总体方案,并为钢球表面缺陷视觉检测系统搭建硬件平台。针对会产生强反光的金属钢球表面的成像特点,设计图像采集时的照明系统,解决了光线不能均匀照射的问题,得到钢球表面的清晰图像。重点针对采集的钢球表面缺陷图像讨论机器视觉检测算法并进行仿真实验。通过实验比较了传统的平滑技术包括中值滤波、高斯滤波、各向异性扩散滤波等方法的优缺点,并在此基础上,将八向各向异性扩散滤波与中值滤波相结合设计出组合滤波器,既有效地消除了高斯噪声和脉冲噪声又保护了边缘。而后采用带阈值的梯度算子实现图像锐化,运用迭代式求图像最佳阈值算法实现图像的二值化分割。在分割后,对缺陷连通域进行递归标记,再将单连通域及多连通域轮廓跟踪技术应用于缺陷区域的链码计算,提取出缺陷区域的周长、面积、重心、圆度、细长度、矩形度等几何特征以及对缺陷区域进行旋转、伸缩具有不变性的Hu矩、形状矩不变量特征。并根据实验,在众多特征中选取出圆度、细长度、矩形度及形状矩不变量的前4个特征作为后续表面缺陷识别分类的有效特征。研究了钢球表面缺陷的分类方法,设计基于BP神经网络的分类器,满足钢球表面缺陷的分类识别要求。通过实验证明,BP神经网络进行钢球表面缺陷识别分类比模板匹配法具有更高的正确率,识别率平均达到87.5%,同时还分析可能影响正确识别率的原因。本文对设计的系统进行了一系列的实验和测试,结果表明,本系统具有速度快,总体检测效果好,稳定性好的特点,能满足钢球表面缺陷的检测要求,具有较高的推广应用价值。