随着现代工业的快速发展,对机械零件的测量精度要求越来越高。传统的接触式测量方法,不仅测量效率低,不能实现对各加工环节的反馈控制,无助于机械制造过程的自动化和信息化,因此亟待一种更加有效的测量方法。近年来随着计算机图像处理技术的发展,这种非接触式测量方式,具有高精度、高效率、非接触、自动化程度高等优点,在现有的工业环境中具有广泛的应用前景。其中基于零件图像边缘检测的方式,是实现无损测量的重要手段之一。传统的Canny算子对噪声过于敏感,容易检测出孤立的边缘点和伪边缘,其原因在于阈值检测中采用双阈值方法定位边缘,高、低阈值的设定取决于先验知识,无法准确定位全部边缘;而且在实际检测中由于噪声、光照等其他因素的影响使得边缘点出现多个响应,容易造成边缘点定位不准确、角点漏检等现象。针对边缘点定位不准确和角点漏检的问题,本文引入果蝇优化算法(FOA),结合改进的Canny算子及Hilbert变换,提出了一种基于果蝇优化算法的零件图像边缘检测算法与实现。果蝇优化算法作为一种群智能算法具有快速收敛,参数少,步骤简单,不受内在因素影响等优点,但在参数组合的选取上,如果没有很好的经验,算法往往易陷入局部收敛,本文通过对候选解机制、搜索半径机制、飞行策略机制进行优化使得算法的效率有了较大的提升。本文首先通过Canny算子的原理提取边缘点信息,并通过对高、低阈值进行线性组合将得到的阈值进行划分,从而获得边缘点的先验知识;然后运用Hilbert变换提取角点,通过将边缘点和角点作为启发信息建立基于果蝇优化算法的边缘检测模型;最后利用相关机制得到单像素边缘。实验仿真结果表明,算法在无噪声边缘检测的条件下,相比传统的Canny边缘检测算法本文算法在精度上有较高的提升;并通过基于机器视觉的边缘检测硬件平台对零件图像进行采集,采用检测软件Cognex(Connolly 2009)对图像边缘进行对比验证,实验证明本文算法对零件图像的检测精度较高,具有一定的实用价值。