钢铁行业在我国经济中有着举足轻重的地位,虽然我国钢铁产量居于世界前列,但是在质量上还是存在不少问题。而对于钢制工件而言,在其生产和使用过程中由于受力不均、材料影响等因素往往会造成工件表面产生缺陷,而这些缺陷问题不仅会影响产品的精度还容易滋生出安全隐患。目前,还有很多企业采用人工的方法来检测钢制工件的缺陷问题,人工检测的结果不仅易受到主观情绪的影响,检测的精度和效率还比较低下,厂家的人工成本也比较高。近几年,随着人工智能技术的蓬勃发展,机器视觉在缺陷检测方面的应用越来越多,对于一些生产厂家而言利用机器视觉检测代替最初的人工目测是提高生产水平和质量的必经之路。针对钢制工件表面缺陷检测的实际需求,本文提出了一套基于机器视觉的工件表面缺陷检测算法,并在如下几个方面开展了研究:首先,对相机标定原理和图像坐标系和其他坐标系的转换关系进行了研究,对相机的畸变问题进行了说明,并完成了对相机的标定,求得了相机的内参矩阵。阐述了检测过程中涉及到的图像预处理技术,对图像滤波方式进行了介绍,通过对比各个滤波方式的结果,最后采用小波-中值滤波作为预处理方法。然后,介绍了目前常用的几个边缘检测算子,并根据实验结果的对比,采用检测效果最好的Canny边缘检测算子。针对传统的Canny算子由于自身结构的限制所造成的对噪声比较敏感且适应性不高的问题,提出了一种基于Ostu和形态学思想的改进算法。通过对改进算法和其他算法的实验结果对比,发现改进算法在检测边缘上具有明显的优势。其次,为便于对工件的缺陷进行分类,研究了LBP和LPQ两种图像特征提取方法的特点,提出了一种二者结合的特征提取方法,使得提取的图像细节信息更加的丰富,直接提高了后期分类的精度。引入SVM模型对缺陷进行分类,算法内的惩罚因子和核函数决定了分类的性能,为了得到最佳的分类效果,通过利用粒子群算法的寻优能力来选择最佳的两个参数来改造SVM模型,改进的SVM模型对缺陷的识别精度提高了18.33%。再次,提出了一种基于YOLOv4算法的缺陷检测模型。并针对原始算法模型对于钢制工件上小目标缺陷检测效果不佳问题,选择K-means++算法对锚框进行优化,并且对网络结构做了一些改进,增加了一个特征尺度,使得检测层对图像网格的划分更为细致,并通过图像增强的方式扩大了数据集。实验结果表明,改进后的算法在检测速度没有降低的前提下,网络的整体m AP值提升了12.1。最后,设计了工件表面缺陷在线检测平台,详细介绍了整个平台的运动系统、视觉系统和上位机系统的具体结构和内容。结合实验台的结构和功能要求,完成了对PLC主控设备及其配套的伺服电机和控制器的选型。针对视觉系统的精度和安装要求完成了相应的光源、工业相机和镜头的选型。整套视觉检测系统,可以实现图像采集、缺陷实时预警等功能。