表面粗糙度是评定零件表面质量的重要指标,它直接影响到零件的使用性能、安全和寿命,尤其对于具有特殊功能(密封、相对移动等)的零件更是如此。因此,快速准确、无损地检测零件工作表面的粗糙度对于零件的正常使用性能和系统的安全性具有重要意义。本文基于机器视觉理论,采用图像纹理分析方法,实现了对端铣工件表面粗糙度的非接触式无损检测。本文研究的主要内容为:(1)搭建了端铣表面粗糙度视觉检测硬件平台。主要包括:光源、VHX-1000型超景深三维显微镜、CCD摄像机和计算机。该硬件系统可以完成端铣表面清晰显微图像的获取。(2)采集工件表面原始图像,并对图像进行灰度化、降噪处理、图像旋转等处理。降噪处理使用中值滤波方法,采用Hough变换(霍夫变换)与双线性差值结合来进行图像任意旋转,旋转迅速且准确。(3)根据端铣表面图像纹理特征,基于Hough变换和GLCM(灰度共生矩阵)相结合的方法,对端铣工件表面图像进行了特定方向下的纹理统计分析和特征提取,分析并确定了 GLCM的最优构造参数。根据端铣表面结构特征,提取并分析了基于GLCM的14个统计特征参数,分别为角二阶矩、对比度、相关性、差分矩、逆差分矩、和平均、和方差、和熵、熵、差方差、差熵、相关信息测度Ⅰ、相关信息测度Ⅱ和最大相关系数。建立了 GLCM统计特征参数和对应的表面粗糙度的关系模型数据库。(4)分析图像基于GLCM的14个统计特征参数与粗糙度纹理方向、粗糙度等级的关系。提取二值简化图像的GLCM的特征参数值并分析,得出图像纹理方向上的GLCM特征参数对纹理特征有较好的表征作用,并选择对比度、差分矩、和方差和差方差4个参数作为表征表面粗糙度等级的参数值。提出使用Hough变换初步检测工件表面信息,求得图像纹理的θ值,通过图像旋转校正获得竖直纹理方向的图像,计算在该方向上的图像GLCM的4个参数,进而提取图像的信息特征。(5)建立了端铣表面粗糙度评定参数Ra的BP神经网络检测模型。以端铣表面图像的对比度、差分矩、和方差和差方差为输入量,对应的表面粗糙度评定值Ra为期望输出,构建并训练了神经网络检测模型。实验结果表明,检测结果与实测值的绝对误差平均值不超过0.10μm,且相对误差平均值小于3.8%。本文检测模型的检测误差在允许范围内,满足测量精度的要求,可以实现端铣表面粗糙度的快速准确、无损检测。