随着计算机技术的发展,工业生产对于自动化程度有了更高的要求和标准。特别是在智能制造2025纲领的推动下,工业生产正朝着高度智能化的方向发展。随着机器视觉技术的出现与普及,工业生产中的产品质量检测变得更加自动化、信息化与智能化。本文研究基于机器学习的轴承滚子表面缺陷视觉检测方法。本方法针对轴承滚子表面的不同缺陷类型,利用机器视觉技术与图像处理技术设计了一整套缺陷检测系统。主要的研究内容如下:首先,进行了视觉检测系统的总体设计,并搭建了光学成像系统。光学成像系统主要包含两个工业面阵相机、两个工业线阵相机、四个镜头、四个环形光源以及两个条形光源。本文针对轴承滚子具有三个外表面设计了三个工位对轴承滚子的圆柱面以及端面进行图像采集。通过合理的硬件设置与软件系统的开发,系统能够采集到稳定而高质量的图像,从而实现了缺陷的实时检测。然后,分别研究了基于SVM与基于卷积神经网络的缺陷检测方法。首先详细地介绍了基于SVM的缺陷检测流程,包括图像滤波、分割、特征提取与分类。然后重点介绍了基于卷积神经网络的缺陷检测方法。该方法将目标检测技术应用到轴承滚子的表面缺陷检测当中。使用了兼具高检测准确率与高检测效率的SSD模型,并且为SSD模型更换了性能更好的基础网络,以获得更好的检测效果。再通过实验选取合理的模型优化方式,使得本方法在缺陷的分类任务中取得了很好的效果。最后,本文通过实验验证了基于卷积神经网络的轴承滚子缺陷检测方法具有很好的鲁棒性。对比基于卷积神经网络的缺陷检测方法与基于SVM的缺陷检测方法,基于卷积神经网络的方法在缺陷分类准确率上要优于基于SVM的方法,且平均分类准确率达到了98%以上。本文还将基于卷积神经网络的方法应用到缺陷检测设备上,并与生产线上在用的传统方法进行对比。实验结果表明在滚子是否合格的检测准确率上要大幅领先于传统方法,准确率达到95%以上。实验验证了该轴承滚子缺陷检测系统能够取代人工检测,提高了检测效率与准确率,具有实际的工程应用价值。