大型设备表面喷砂除锈是设备维护工作中至关重要的工作。现阶段,利用机器人代替人工进行喷砂除锈作业,是除锈行业的发展趋势,国内外各大高校、研究机构等相继展开了喷砂除锈机器人的研究工作,并逐步应用于市场。然而,现有的除锈机器人无法实现对喷砂除锈后表面质量的自动判别,因而无法进一步实现根据表面质量对机器人动作的反馈控制。本文在喷砂除锈机器人的研究基础上,以图像处理技术为工具,以纹理特征为切入点,对喷砂除锈后表面质量判别方法展开研究,主要内容如下:首先,根据机器人除锈现场工况对镜头、相机与光源进行了选取,以机器人为平台搭建了图像采集系统,并在现场进行了除锈后图像的采集,建立了图像样本库,确定了以中值滤波为主的图像预处理方法;其次,对样本库中除锈后表面图像的特点进行了分析,将灰度共生矩阵的能量、熵、惯性矩、逆差矩和相关性五个GLCM特征,与旋转不变统一二值模式的九个LBP特征,共同组成14维特征,作为除锈后表面图像联合特征。通过实验得出当取d=1时,计算θ=0°、45°、90°与135°四个方向的特征均值可得最佳GLCM特征,当P=8,R=1时可得最佳LBP特征,以此为根据对特征库所有图像的联合特征进行了提取,并通过统计学方式分析了正负两类样本的特征差异;然后,以参数寻优的方式,设计了基于最小距离法的模板匹配分类器、BP神经网络与SVM三种分类器,分别对特征进行了分类实验,优选准确率为93%的SVM为最终分类方式,并以此分类方式进行了旋转不变性和灰度保持不变性验证实验,实验结果表明图像的旋转与光照变化情况下,联合特征比单一GLCM特征具有更高的稳定性;最后,对除锈后图像质量判别系统界面进行了初步设计,并完成了编程,将搭载自动判别系统的机器人进行了现场识别实验,平均识别率为90.67%,表明本系统能够满足现场工作需要。本论文将图像处理与机器视觉等相关技术应用在喷砂除锈领域,对除锈作业自动化程度的提高具有十分重要的应用价值。