表面粗糙度是机械领域中衡量加工表面质量的重要指标之一,在工程应用中如何提高其检测速度和精度一直是研究热点,从接触式检测方法发展到光学和图像学研究得到的非接触式检测方法,随着技术的进步,表面粗糙度的检测精度在进一步的提高。在实际生产应用中,产品的合格与否需达到技术要求值的范围以内,同时工件表面质量的检测对速度的要求更高。在此背景下,基于工件表面图像的粗糙度检测能够充分满足实际加工生产的需求,根据国家标准对表面粗糙度常用值区间进行分类,本文旨在通过实验获取工件铣削表面,分别构建基于图像特征提取和基于卷积神经网络的表面粗糙度分类模型,在达到精度要求的前提下,提升了检测速度。基于图像特征提取的表面粗糙度检测方法,是通过分析纹理特征,对比多种提取方式,根据机械加工铣削表面实际纹理状态,选用了灰度共生矩阵进行表面纹理特征检测,通过特征对比选择其中6维特征值作为图像特征向量,并建立BP神经网络对特征向量进行分类学习,使用训练集数据可以达到98.96%准确率,使用测试集数据可以达到91.67%准确率。基于卷积神经网络的表面粗糙度分类检测方法,是一种端到端的图像分析方法,将实验采集的工件表面图像,通过预处理、统一尺寸后直接输入到卷积网络搭建的模型中,通过多层卷积及池化运算,以及全连接层和分类层的综合处理,最终输出图像的表面粗糙度分类,使用训练集数据可达到100%准确率,使用测试集数据可达到99.34%准确率。以上两类模型在基于工件图像的表面粗糙度检测上都取得了较好的分类效果,并且检测速度较快,具有工业现场实用价值。