机器视觉是学科交叉领域,涉及光学工程、数字图像处理、模式识别、机器人技术等诸多领域,具有非接触性、实时性、可视化好等优点,采用智能算法替代人工进行各种自动化检测工作,不受环境等条件的影响,能够实时监测目标并及时做出处理决策,因此在许多领域得到了广泛的应用。本课题从机器视觉和数字图像处理的角度,采用理论分析和实验验证相结合的方法,以提高图像中结构裂纹识别准确度为目标,研究了裂纹图像的预处理方法、Hough变换的算法机理以及对裂纹进行训练和预测的支持向量机SVM,并通过实验验证和裂纹线条的连接性特征,进一步对整个识别算法进行了优化,主要内容包括:(1)裂纹图像的预处理方法研究。主要阐述了裂纹图像的预处理基本方法和原理,并结合采集到的实际裂纹图像,采用的合理的滤波算法,为后续的裂纹特征提取和训练奠定基础。(2)改进的Hough变换算法提取裂纹特征。主要阐述了梯度响应、Hough变换的原理在检测直线和检测圆形方面的机理,然后结合实际裂纹的特征,重新设计了Hough变换算法,并应用到裂纹的识别过程中,把Hough变换算法在二值图像的原理运用到灰度图像上,算法累加器值的范围从0和1扩展到[0,1]之间的任意数值,更加精确地提取出裂纹的特征。(3)裂纹样本的分类预测和区域连接。运用支持向量机(Support Vector Machine)SVM对大量的裂纹样本进行分类训练和结果预测,并通过算法标记裂纹区域,进行裂纹线连接。介绍SVM基于机器学习的分类原理和核函数,通过样本训练得到训练模型,SVM根据特征矩阵对是否为裂纹元素进行结果预测,并标记裂纹区域,进一步去除孤立点,运用4邻域连通算法连接成裂纹线,通过二值图像显示清晰的裂纹识别结果。(4)裂纹识别算法验证实验。基于不同尺寸(200×200像素和随机尺寸)、不同数量的区域标记和裂纹线连接实验、基于4种不同特征的裂纹识别算法的实验验证。以Matlab和Open CV平台为基础,编写裂纹自动识别程序,对识别准确度进行验证。通过对比表格和ROC曲线验证本文识别算法。结果表明,本文算法识别准确率高,可在一定程度上满足裂纹机器视觉的识别要求。