视觉缺陷检测在诸多工业领域应用广泛,其中针对工件表面缺陷的检测应用不仅实现了设备的自动化精密控制,提高了生产质量效率,而且解决了缺陷检测依赖人工离线化操作的问题。针对金属铣削加工中工件表面切削轨迹对缺陷信息提取影响较大的现象,本文提出一种基于超像素的机器视觉缺陷检测方法,开展如下几个方面的研究:1、铣削加工实验和工件表面图像信息获取。根据表面质量决定因素构建多加工参数正交实验,完成多种刀具、多种材料、多种加工参数的铣削加工实验,以获取丰富的表面形貌信息;针对工件已加工表面完成图像采集及粗糙度值测量工作。2、基于表面粗糙度的纹理特征甄别可疑缺陷区域。由于工件表面所采集图像高分辨率、大图幅的特点,通过图像分块处理进行图像尺寸裁剪以降低数据维度。将分块后子图像转换为相应灰度共生矩阵并提取其特征参数,结合测得表面粗糙度值构建两者间函数映射关系。分析样本集中含缺陷子图像的特征参数值,定义缺陷判别标准。对比判别标准,筛选出含有可疑缺陷的子图像,将其保存并建立缺陷图像样本库。3、铣削工件表面缺陷的自适应超像素分割。讨论SLIC超像素分割算法中各输入参数在实际缺陷分割时的关键问题,结合极限学习机提出铣削工件表面缺陷的自适应超像素分割算法。提取超像素之间灰度距离和空间距离,构建超像素距离度量函数,寻找缺陷区域与背景区域分界阈值。基于DBSCAN聚类方法自适应聚合缺陷区域与背景区域超像素,获取铣削工件表面缺陷的逻辑二值图像。4、铣削工件表面缺陷几何特征参数提取和缺陷SVM分类模型构建。针对铣削工件表面二值图像的缺陷区域进行几何特征参数提取,并利用主成分分析法进行特征向量的空间降维处理;建立类间欧氏距离作为缺陷各类区分标准,设计基于PBT SVMs的表面缺陷三分类器进行分类识别。理论分析和实验结果表明:本文所提出的自适应超像素缺陷分割和PBT SVMs分类方法对铣削工件表面缺陷的检测展现出良好的效果。通过对缺陷区域中的边缘信息和像素点空间关系综合考虑,有效地提取出较为完整的缺陷区域及其特征参数,并且高效、准确地完成缺陷分类。该方法对工件表面缺陷检测中完整分割缺陷与背景纹理提供了一种新角度和处理方法。