汽车发动机轴承上盖安装在发动机缸体上,用于固定和支撑曲轴。任何一种类型的发动机都需要若干个轴承上盖,不同的发动机需要的轴承上盖不同、同一台发动机上不同位置的轴承上盖也不同。在多品种混合生产的过程中,需要在出厂前对发动机轴承上盖进行分类。目前,轴承上盖的分类主要由人工完成,速度慢、成本高、稳定性差。本文研究基于机器视觉的轴承上盖在线、实时分类方法,主要依据轴承上盖的端面几何形状、顶部数字字符、顶部几何符号和局部平面形状等特征,这些特征基本涵盖了目前已采用的所有轴承上盖分类标识特征。为实现轴承上盖的机器视觉自动分类,本文首先设计了一套在线的图像采集系统,针对不同的分类标识特征采用不同的照明方案,凸显出待识别的分类标识特征。在图像处理部分简要阐述了本文相关的图像处理算法,将各种分类识别特征从原始图像中分割出来,实现了标识特征的识别和定位,并提取了各种分类标识特征的轮廓要素。对于端面形状图像,在不同的采集图像中,端面形状可能会沿图像水平翻转,本文提出了对其具有不变性的图像特征提取方法。对于数字字符图像和局部平面形状图像,本文采用Freeman方向码直方图的图像特征,克服了梯度直方图图像特征要求图像尺寸固定以及计算量较大的缺点。应用上述方法提取的各类零件标识特征的图像特征及其类别信息,本文采用支持向量机的监督分类方法,对于只有少量零件图像的类别信息已知的情况,采用基于成对约束的半监督谱聚类方法,其中,成对约束通过主动学习算法查找。对于主动学习算法Min-Max初始样本的随机选择,以及样本的挑选范围为整个数据集的缺点,本文提出了基于密度系数的主动学习算法。本文还对零件图像进行了支持向量机监督分类和基于主动学习的半监督聚类实验。在监督分类方面,轴承上盖端面形状图像、凹陷字符图像、局部形状图像测试集的分类准确率达99.8%,100%和100%。在半监督聚类方面,在轴承上盖图像数据集上分别进行基于FFQS算法、Min-Max算法及本文提出的主动学习算法的半监督谱聚类实验,实验结果表明,在轴承上盖端面形状图像数据集上,本文提出的基于密度系数的主动学习算法对聚类过程有更好的指导作用。在基于半监督聚类结果的分类测试中,端面形状图像测试集的分类准确率为96.1%。