齿轮齿面粗糙度与齿轮副的耐磨性、疲劳强度、配合性质、腐蚀性、能耗等有密切关系,齿轮齿面粗糙度的大小直接影响齿轮传动机构的使用性能与寿命,但当前的齿轮齿面粗糙度测量方法因其效率低下且不能对齿面进行整体评判,无法满足当前自动化在线测量的需求。基于机器视觉的检测方法具有效率高、测量面积大、非接触性等优点,且当前基于机器视觉的表面粗糙度测量大多对平面物体进行研究,对曲面研究较少,因此,研究基于机器视觉的齿轮齿面粗糙度检测方法具有重要的理论意义,对于齿轮加工企业实现精确、高效、在线测量具有一定的工程价值。针对当前齿轮齿面粗糙度测量现状,论文对基于机器视觉的齿轮齿面粗糙度检测方法展开了系统研究,进行了特征提取方法的研究和预测模型的构建,初步搭建了一套自动化的齿轮齿面粗糙度测量系统,并验证了方法的有效性。论文的主要研究工作如下:(1)在简述齿轮齿面粗糙度的定义及其测量评定的基础上,分析了齿面粗糙度的特点;从光散射原理角度分析了齿轮齿面成像机理,分析了不同粗糙度等级的齿面图像与粗糙度之间的相关关系;然后,对边缘提取所需的数字图像处理技术进行了详细介绍;最后,初步设计了基于机器视觉的齿轮齿面粗糙度检测方案,并对测量系统中的图像采集模块、图像处理模块进行了详细介绍。(2)提出了 一种基于形状特征的齿轮齿面粗糙度测量方法。从光散射原理角度,提取齿面图像中的形状轮廓,从散射程度、结构信息和强度信息方面设计了特征指标评价算法。然后,根据检测方案和实验步骤进行了实验,实验结果表明,齿轮齿面粗糙度Ra与结构信息(Eigmax、Eccentricity和Area指标)和强度信息(E 指标)四个特征指标具有明显的相关关系,并对提出的特征指标的预测精度、单调性和稳定性进行了评估,验证了特征指标评价算法的有效性。(3)基于支持向量机的方法研究建立了齿面粗糙度和图像特征指标之间的预测模型,通过交叉验证的方法对支持向量机中的参数进行寻优,对该预测模型进行试验验证,结果表明,该方法在一定程度上提升了对齿轮齿面粗糙度的预测精度。(4)基于LabVIEW和MATLAB开发设计了基于机器视觉的齿轮齿面粗糙度测量系统,并对测量系统的运行时间和响应时间进行了测试,结果表明,该测量系统效率高、稳定性强,能够实现齿轮齿面粗糙度的实时测量。