表面粗糙度对工件的性能具有重要影响,能高效、精准地测量表面粗糙度的仪器,对现代汽车制造产业发展具有重大意义。本文根据前人的研究方法,采用数字图像技术、机器学习理论,实现镀镍同线圈的表面粗糙的检测,同时针对前人不足做出改进;为满足检测零件整体粗糙度的要求,提出了一种可以实现全面检测的设备设计方案。内容具体为:（1）搭建图像获取平台,主要由工业相机、显微镜头、点光源、相机支架这几个部分组成。采集4根线圈表面图像样本,共采集400张,对采集的图像进行灰度化处理,并采用中值滤波进行降噪处理。（2）根据已处理过的图像,提取基于灰度共生矩阵特征参数,分别是:能量、熵、对比度、相关性、逆差矩、差熵、和平均以及差方差共8个。通过控制变量法进行灰度共生矩阵构造参数分析实验,选取最佳参数,参数分别为:方向为4个不同方向,步长为2,灰度级别为128;最后对所提取的特征值与实际粗糙度值建立实验数据库,根据数据库与曲线图,分析了特征参数与实际粗糙度值的变化规律,证明该数据库具有良好的学习性能。（3）针对BP神经网络容易使权值与阈值陷入局部最优解,导致检测结果不准确等问题,采用SA算法优化了BP神经网络的初始权值与阈值,构建了SABP神经网络检测模型。（4）根据训练结果,SA-BP模型在73代得到最优解,MSE为0.00001597;BP模型在117代时得到最优解,MSE为0.0000442;说明SA-BP模型拥有更快的收敛速度与更优的网络模型。根据检测结果,SA-BP模型的相对误差均值由BP模型的5.07%降到了3.93%,最大误差绝对幅度由BP模型的0.20μm降到了0.15μm,说明SA-BP模型具有更高的检测稳定性与准确性。（5）针对如何对镀镍铜线圈进行全面检测的问题,本文对检测设备进行设计,检测设备主要由控制系统、驱动装置和相机系统构成,设备设计内容包括了结构设计方案、硬件拟选型、驱动参数设定等。