針對工業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。

　　軸承作為制造業的核心器件，是我國重點發展的戰略性基礎產業之一。“十二五”計劃明確指出，軸承是加快振興裝備制造業的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、工業生產等領域。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、成本相對較低等優勢，逐漸替代了傳統的人工檢測方法，成為主流檢測方案。基于機器視覺的檢測系統是通過工業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，完成關鍵信息的提取和判別，進而實現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簡單，計算量低且性能穩定的優勢，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，由于環境以及滾子表面材質的影響，現有的分割方法存在以下問題：

?