金属工件表面的质量是保证其产品质量和商业价值的重要组成部分。为了克服传统检测手段的不足,本文引用机器视觉检测技术实现工件表面质量的自动监测。机器视觉具有非接触、实时、精度高等优点,广泛的应用于各个领域。本文提出了两个关键的要素,即保证检测的精度和实时性,论文围绕这两个要素展开进行算法设计。视觉技术主要利用数字图像处理作为算法和设计的关键,检测主要包括图像混合噪声滤波,图像分割与二值化,缺陷特征提取,缺陷识别与分类等关键技术。为了实现实时在线检测的需求,本文结合并行计算理论,提出了整个算法的设计思路,并通过实验对思路进行了验证。　　1、完成系统硬件平台的搭建,并对其中关键技术进行讨论。对系统中的照明方案、摄像机和镜头的选型、图像处理单元等进行了详细的分析,在搭建好的平台上获取工件的最佳表面图片。　　2、完成核心算法的设计。在MATLAB仿真平台上对图像进行混合噪声滤波,提出了灰度数字形态学滤波,采用正交的模板对图像进行形态学运算,实验对比传统的算子验证本算子的最优比。缺陷的检测需要分割感兴趣的图像区域,本文采用了简单易行的差影法,在对差影后的图像进行二值化时采用OSTU法确定分割阈值。对缺陷的标记方便后续的识别和分类,8连通标记法能够满足缺陷的标记。为了量化缺陷区域,采用灰度特征、形态特征、纹理特征、投影特征等量进行优化表征缺陷的大部分信息。最后采用对缺陷识别与分类比较有优势的BP神经网络作为分类器。对设计的算法进行验证,数据表明能够确保检测的精度。　　3、实时在线检测的关键是提高算法的处理速度,GPU在处理大规模运算方面具有独特的优势。针对前面设计的缺陷处理算法进行并行化处理,本文在CUDA平台上实现混合噪声滤波,图像二值化,连通域标记,纹理特征量提取的并行算子的设计,通过实验,得出了在保持原有检测精度的同时还能够改善程序执行效率的高性能算法。