針對工業(yè)缺陷檢測中提取的缺陷存在不完整、處理速度過慢等問題，本文提出一種基于雙閾值自適應分割的缺陷提取算法。根據(jù)實際工件的直方圖，擬合得到標準直方圖，而后利用實際工件的直方圖與標準直方圖自適應分析，快速定位出雙邊的誤差閾值，從而避免高灰度缺陷或低灰度缺陷的漏檢問題。實驗結果表明，本文所提方法能夠有效提高缺陷提取的完整性和準確性，并具備良好的處理速度。

　　軸承作為制造業(yè)的核心器件，是我國重點發(fā)展的戰(zhàn)略性基礎產(chǎn)業(yè)之一?！笆濉庇媱澝鞔_指出，軸承是加快振興裝備制造業(yè)的16 個關鍵領域的核心基石，它被廣泛地應用于航空航天、通訊、工業(yè)生產(chǎn)等領域。在軸承結構中，軸承滾子是最關鍵的零部件，其質量直接決定軸承的質量。

　　隨著信息技術的不斷發(fā)展，機器視覺檢測技術得益于速度快、精度高、成本相對較低等優(yōu)勢，逐漸替代了傳統(tǒng)的人工檢測方法，成為主流檢測方案。基于機器視覺的檢測系統(tǒng)是通過工業(yè)相機采集待檢測目標的高清圖像，隨后將圖像傳送到圖像處理系統(tǒng)，完成關鍵信息的提取和判別，進而實現(xiàn)對目標表面缺陷的檢測。

　　機器視覺檢測的關鍵技術是表面的缺陷提取和識別。缺陷提取是在采集圖像的基礎上進行圖像處理，將與工件本身色彩差異明顯的部分進行分割；缺陷識別是對提取出的缺陷在色彩、維度等方面進行特征篩選，在此基礎上判斷缺陷真實性。一旦提取的缺陷不完整或漏提，就會導致缺陷特征篩選信息不完全，無法對缺陷進行確認，從而產(chǎn)生錯檢、漏檢問題，影響整體的檢測結果。

　　目前，缺陷提取中常用的分割方法有：基于閾值、邊緣、區(qū)域、特定理論等的分割方法。其中，基于閾值的分割方法由于實現(xiàn)簡單，計算量低且性能穩(wěn)定的優(yōu)勢，成為提取的主流方法。近年來，為提高提取精度對閾值的選取進行了很多優(yōu)化，如陳愷等人使用反向螢火蟲算法的OTSU 多閾值分割方法，倫向敏等人提出迭代最大熵分割方法，同年，Yuan X C 等人提出引用權重系數(shù)的WOV 方法，喬爽等人提出分類加權的OTSU 分割方法。但是，由于環(huán)境以及滾子表面材質的影響，現(xiàn)有的分割方法存在以下問題：

?