1.一种基于机器视觉的轴承质量检测方法，其特征在于，包括：对第一样本集中的轴承进行二维图像采样，获取第一分辨率下的第一轴承图像信息；

判断所述第一分辨率下的第一轴承图像信息是否满足第一预设条件；

当所述第一分辨率下的第一轴承图像信息满足第一预设条件时，根据所述第一轴承图像信息得到第二样本集；

对所述第二样本集中的轴承进行三维测量及三维重建，得到第二轴承图像信息；

根据所述第二轴承图像信息获取轴承表面缺陷类型；

所述第二轴承图像信息包括灰度通道、梯度通道、深度通道的信息；

所述根据所述第二轴承图像信息获取确定轴承表面缺陷分类信息，包括：对所述灰度通道、梯度通道、深度通道进行特征提取；

采用多类别SVM分类方法，使用灰度通道、梯度通道及深度通道的特征信息建立缺陷识别算法，根据所述灰度通道、梯度通道及深度通道的特征信息进行缺陷识别，以区分缺陷和非缺陷；

所述对所述灰度通道、梯度通道、深度通道进行特征提取，包括：对所述灰度通道进行多尺度分解，选择均值、标准差、熵及投影特征的至少之一并降维，得到灰度通道特征；

对所述梯度通道采用传统多尺度小波对梯度通道进行二层小波分解，提取子通道的均值、标准差、绝对差、熵的至少之一作为梯度通道特征；

对所述深度通道提取深度投影特征；

所述三维测量的过程具体如下：

采用至少两个方向的光源依次照明，获取不同照明条件下的多幅图像，以光源颜色的R、B通道为例，从原始RGB图像中提取与光源颜色对应的R通道图像I1和G通道图像I2，采用公式(1)计算出相对灰度其中，e＝E1/E2为光源功率系数；I1、I2为通道图像亮度；

采用线性光源，由于光源的对称特点，因此将反射模型的函数简化为单自由度函数fbd(λ),λ为被测表面沿光源长轴方向的倾斜角度；

测量时，将反射模型测量系统水平放置，工作用的台面平行于CCD相机的光轴，被测样本放在转台上，控制转台产生偏转角λ的旋转，光源入射方向与相机光轴夹角为a，获取图像中心区域的平均灰度与偏转角λ的函数关系I＝fbd(λ)；

在三维测量时，采用至少两个方向的光源依次照明，采用线阵相机成像，线形光源进行照明，线性光源入射的光线存在于入射平面内的等腰三角形扇面内，相对灰度 与表面倾角λ具有中心对称的函数关系，利用该函数的性质，通过标定建立表面倾角与相对灰度的函数关系 作为第一函数模型，利用其反函数求解单调区间内的表面倾角λ和方向梯度q，相对灰度 与表面倾角λ为对应关系，定义平均灰度I与表面倾角λ的第二函数模型为：其中， 在微小形变下近似等于1，E以及lz为常数，

根据上述预定义的第一函数模型，根据表面倾角λ在扫描图像中逐像素计算方向梯度,构成方向梯度通道，以反映轴承表面的三维形态分布，同时，根据表面倾角λ在扫描图像中逐像素计算x方向的方向梯度p，构成x方向的梯度矩阵P，根据表面倾角λ在扫描图像中逐像素计算y方向的方向梯度q，构成y方向的梯度矩阵Q；根据上述定义的第二函数模型，根据表面倾角λ逐像素计算平均灰度I，构成灰度通道A，以反映轴承表面的二维反射率的分布并用于后续计算；

同时，在对称光学系统中，对相对光学函数进行标定，采用相对光学函数中心对称性和局部单调性拟合相对光度的经验函数，支持对方向梯度的准确测量，通过对单自由度反射模型的标定，优化光学入射角度a的设计参数；

三维重建的过程具体如下：

通过改进的Haar小波变换重建三维表面深度，利用Haar小波重构与二维积分在运算上的相似性，即梯度矩阵P、Q近似于Haar小波子带实现三维重建，通过光度立体法得到表面梯度，采用红、绿、蓝三个单色光源沿不同角度同时照明钢板表面同一区域，通过垂直于钢板表面的摄像机拍摄光源照射的钢板表面区域，分离其彩色图像的R、G、B通道，得到近似于红、绿、蓝光源单独照明下获得的三幅图像IR,IG,IB，IR,IG,IB的高h＝2n,宽w＝2n，图像坐标系(x,y)中某点的相对深度为Z(x,y)，梯度矩阵P为深度矩阵Z沿x方向的差分，Q为深度矩阵Z沿y方向的差分，P、Q由IR,IG,IB和光源方向矩阵L得到，P0

(x,y),Q(x,y)的初始值用P1,Q1表示，深度矩阵Z当作小波分解的初始矩阵LL ，则Z可以通过式(4)所示的小波分解算法，式(5)所示的递推关系公式和式(6)所示的小波重构算法得到：k‑1 k T k T k T k T

LL ＝U(LL)*LR*LR+U(LH)*HR*LR+U(HL)*LR*HR+U(HH)*HR*HR (6)式(4)、式(5)、式(6)中：

“*”——二维卷积运算；

D(M)——二维下采样，抽取矩阵奇数行、列，D(M)(x,y)＝M(2x‑1,2y‑1)；

U(M)——二维上采样，矩阵扩充为(2h+1)×(2w+1)，其中偶数行列：U(M)(2x,2y)＝M(x,y)，其余项填充0；

0 0

LL——小波分解的初始矩阵，Z＝LL；

k k k k n

LL、LH、HL、HH——第k层分解的低频及高频子带，1≤k≤n，设LL中元素的值为0；

k k 1 1

P ,Q——k层梯度矩阵，1≤k≤n，其中P ,Q为梯度矩阵P,Q，其余通过递推求得；

LD＝(1,1),HD＝(1,‑1)—Haar小波分解低通、高通滤波器；

LR＝(0.5,0.5),HR＝(‑0.5,0.5)—Haar小波重构低通、高通滤波器；

0 k k k k

将深度矩阵Z当作小波分解的初始矩阵LL ，用LL 、LH、HL、HH ，表示Z经第k层二维Haar小波分解后的尺度分量、垂直分量、水平分量和对角分量，根据小波重构算法，只要知道最n k k k k 0末层LL的值以及LH、HL 、HH的值，就能够依次重构得到LL ，LL 即为深度矩阵Z，因此根据P、Q与二维Haar小波分解之间的关系，通过小波分解、递推算法和小波重构等步骤，得到通过P、Q求深度矩阵Z的快速算法；

1 1

由于P、Q分别为深度矩阵Z沿x、y方向的差分，将P、Q代入二维Haar小波分解，得LH、HL 、

1 2 3 n 1 3 n k k k n

HH，根据P、Q的递推公式得到P ,P ,…,P和Q ,Q ,…,Q ，并依次求出LH 、HL 、HH ，设LL的值k k k k 0为0，由于LH、HL、HH已知，因此根据二维Haar小波重构算法依次重构得到LL ，LL即为深度矩阵Z；

k k

在重构LL 时会产生局部误差，用传统的全局优化算法对LL 进行迭代优化，以减少误差。

2.如权利要求1所述的基于机器视觉的轴承质量检测方法，其特征在于，所述第一预设条件为所述第一分辨率下所述第一轴承图像信息中出现二维缺陷特征。

3.如权利要求1所述的基于机器视觉的轴承质量检测方法，其特征在于，所述判断所述第一分辨率下的第一轴承图像信息是否满足第一预设条件，包括：对第一分辨率下的第一轴承图像信息进行预处理得到预处理图像，并提取灰度参数；

对预处理图像进行滤波及二值化处理，得到二值图像；对二值图像进行感兴趣轮廓与背景分离处理，得到处理后图像；

对处理后图像进行轮廓提取，获取图像中包含的轮廓特征，并根据轮廓特征判断第一分辨率下的第一轴承图像信息是否出现二维缺陷特征。

4.如权利要求3所述的基于机器视觉的轴承质量检测方法，其特征在于，所述对预处理图像进行滤波及二值化处理，得到二值图像，包括：调整灰度直方图的灰度值，并将图像清晰时的灰度值作为灰度阈值，根据灰度阈值对滤波后图像进行二值化处理，实现图像分割，得到二值图像。

5.如权利要求3所述的基于机器视觉的轴承质量检测方法，其特征在于，所述对二值图像进行感兴趣轮廓与背景分离处理，得到处理后图像，包括：对二值图像采用形态学闭操作和背景差分方法将感兴趣轮廓与背景分离，得到处理后图像。

6.如权利要求3所述的基于机器视觉的轴承质量检测方法，其特征在于，所述对处理后图像进行轮廓提取，包括：基于边界跟踪的数字化二值图像拓扑结构分析的方法对处理后图像进行轮廓提取，获取图像中包含的全部轮廓特征。

7.如权利要求3所述的基于机器视觉的轴承质量检测方法，其特征在于，所述根据轮廓特征判断第一分辨率下的第一轴承图像信息是否出现二维缺陷特征，包括：计算每个轮廓特征的面积，并根据预定的面积阈值筛选轮廓特征；或计算每个轮廓特征的最小外接矩形的长，并根据预定的长度阈值筛选轮廓特征。