金属复杂表面质量不仅决定金属工件的质量评估,还影响终端产品的性能,因此对金属复杂表面进行检测一直是相关部门的研究重点。目前的金属复杂表面检测方法大多以人工为主,局限性较大,为此需寻求能够代替人工并能在工厂内进行实时检测的新方法,而以图像处理技术为基础的机器视觉技术在工业中的大量应用为此提供了新途径。对此,本文在研究机器视觉技术的基础上提出了金属复杂表面缺陷检测方法,主要内容如下。1)针对金属复杂表面缺陷整体检测速度慢、效率低的问题,研究了基于PCC-CFSFDP聚类的缺陷分区算法。该方法首先利用背景差分和多约束降噪模型确定疑似缺陷的位置,其次通过基于潜在聚类中心的密度峰值聚类算法和区域获取算法合并或分离缺陷,将待处理图像自动分为多个缺陷小区域,最终实现分区的目的。实验表明本文提出的缺陷分区算法能够对图像进行自动分区,在提高速率的同时为进一步检测提供了基础。2)针对金属复杂表面缺陷检测中因背景纹理干扰导致缺陷目标提取准确度低的问题,研究了基于区域纹理抑制及分割的缺陷提取算法。该方法首先通过基于区域特征的纹理抑制算法弱化区域的背景纹理,然后利用缺陷分割及标注算法对抑制后的缺陷图像进行分割和标注,实现对缺陷目标的提取。实验结果表明该算法在弱化背景纹理的基础上有效地解决了传统阈值分割误差大的问题,从而能够准确提取出缺陷目标。3)针对缺陷多分类算法准确率低的问题,研究了一种基于决策树支持向量机的缺陷分类算法。该算法利用图像的几何特性和纹理特性实现对缺陷特征的提取,基于主成分分析法优化特征向量,并构造一种基于决策树的多分类器以完成缺陷的精确分类。实验结果表明,所选择的分类方法可以有效地区分缺陷的三种典型类别,且分类的精度较高,减少了误检和漏检。4)对缺陷检测方法进行实验验证。结合缺陷检测技术指标要求及检测内容,以不同表面的金属工件为样本,通过实验证明检测方法的有效性和普适性。实验结果表明该方法能够实现金属复杂表面缺陷的自动检测,检测准确率达到99.5%以上,达到了零漏检,误检率较低且检测速度较块,各项检测指标均满足实际工业检测的需求。