表面粗糙度对机械零件的性能和寿命具有重大的影响。随着图像处理技术的发展,机器视觉已经成为了工业自动化检测道路上不可小觑的一部分。对基于视觉的粗糙度识别的研究具有重要的理论和实际意义。基于视觉的粗糙识别技术包含两个问题:第一,用什么样的图像指标来表示工件粗糙度;第二,用什么样的模式识别方法来完成粗糙度识别。目前,还没有建立起一个关于图像指标与粗糙度之间关系的标准,广泛使用的方法是通过拍摄工件表面纹理,计算图片的灰度共生矩阵,通过灰度共生矩阵的矩阵指标完成粗糙度的识别。但是灰度共生矩阵算法计算耗时,参数不好控制。而模式识别领域,目前常用的有神经网络和支持向量机等。但是,这些方法都存在各自的局限性,也没有充分利用各类别图像的特征变量之间的相互内在关系。彩色分布统计矩阵(Colour Distribution Statistical Matrix,CDSM)利用定制色彩的光源照射在样件表面成像,统计图像红色和绿色分量的亮度信息获得矩阵,由于不同粗糙度表面反射性能不同,因此得到的矩阵所包含的信息也各不相同。变量预测模型(Variable Predictive Model Based Class Discriminate,VPMCD)算法是近年来一种新的模式识别算法,它利用了各个特征之间的相互内在关系建立相应的VPM(Variable Predictive Model,VPM)模型来实现分类。本文在国家自然科学基金(编号:71271078)资助下,用提出的彩色分布统计矩阵的矩阵指标结合变量预测模型算法对基于视觉的粗糙度识别进行了深入而系统地研究。本文的主要研究内容和创新点如下:(1)彩色分布统计矩阵自提出以来已经验证了其在检测粗糙度方面的优势,但是用单个图像指标来对粗糙度进行表达难免会出现信息量过少使检测的粗糙度不准确的情况。本文为彩色分布统计矩阵设计了五个矩阵指标包含矩阵非零点个数、对比度、同质性、信息熵和能量,介绍了这些指标的理论依据,并通过数据分析验证了这些指标来表示粗糙度的可行性。(2)研究了变量预测模型算法的基本原理和算法流程,由于图像彩色分布统计矩阵的矩阵指标之间具有一定的相关性,为了找到这些指标之间的相互关系,本文用VPMCD方法依靠本文加工的实验样本,对实验样本建立了的不同类别的VPM模型,并对测试样本进行了测试。实验结果表明用VPMCD算法识别粗糙度的方法是高效的,也是可行的。(3)Lab VIEW具有集成性高、界面设计方便的优点,Matlab具有强大的矩阵计算功能。因此,本文结合了Lab VIEW和Matlab平台的优越性,设计并实现了离线识别样件表面粗糙度的设备开发,首先通过Lab VIEW采集图片,然后利用Matlab强大的计算功能来提取图像的特征,并完成粗糙度类别的分类,最后利用Lab VIEW的显示界面完成对结果的展示。为了对设备有一个客观认识,本文依据JJF 1094-2002标准,从中选取了准确率和响应时间两个指标完成了对设备的初步评价。本文在Lab VIEW和Matlab平台上开发了一台基于机器视觉的粗糙度识别设备,该设备对采集图片的感兴趣区域求取彩色分布统计矩阵,利用彩色分布矩阵的矩阵特征提取图像指标,然后利用VPMCD方法结合这些图像指标完成工件表面的粗糙度识别。