作为子弹的重要组成部分,弹壳在生产过程中不可避免地会出现不合格品,因此要对弹壳进行表面检测,以及时发现并剔除弹壳残次品。传统方法依靠人眼观察并作出判断,检测结果受到检测工人的技能水平以及工作状态的影响,检测稳定性较差。基于机器视觉的表面缺陷检测技术凭借其无接触检测的特点,以及检测精度高、稳定性好、速度快等优势,广泛应用于工业产品的表面质量检测。本文以某型号运动长弹的弹壳为研究对象,采用基于机器视觉的图像处理技术检测弹壳表面缺陷。主要研究内容如下:（1）针对面阵相机一次拍摄无法采集完整弹壳侧壁图像的问题,提出使用棱镜组图像采集方案,对图像采集系统的关键部件进行参数计算并选型,搭建图像采集模块,实现弹壳表面高质量图像的采集。（2）针对传统滤波算法不能较好平衡噪声滤除和保护图像细节的问题,提出基于梯度的中值滤波算法。对于被噪声污染的边缘像素点,根据边缘梯度信息设计滤波窗口,实现边缘点有针对性地滤波。通过实验验证了该算法的可行性。（3）针对弹壳表面缺陷目标与背景对比不明显而难以分割的问题,提出基于像元搜索的目标分割算法和基于改进引力搜索的多阈值分割算法。像元搜索算法基于分块思想并利用同一目标区域内像元相似及连通的性质,逐一判断当前像元所归属的区域;对于单阈值无法准确分割出目标区域,采用多阈值Otsu分割方法,并将改进的引力搜索算法用于多阈值参数的寻优。通过实验验证了分割算法的有效性。（4）目标分割后的图像中存在伪目标和噪声,利用形态学变换进行后处理并生成掩模图像,用于提取缺陷区域灰度图像。使用支持向量机递归特征消除算法（Support Vector Machine-Recursive Feature Elimination,SVM-RFE）对所提取的缺陷特征集合进行特征选择,获得缺陷样本最优特征集合。针对弹壳表面缺陷样本数据量小的问题,采用gc Forest算法对弹壳表面缺陷进行分类,并使用10折交叉验证来评价算法的分类准确率,通过实验验证了gc Forest算法的分类能力优于常见的机器学习算法,分类准确率可以达到94.5%。