随着机器视觉及相关技术的发展,视觉检测技术越来越多的应用于复杂材料表面的自动检测中。在表面检测中,必须解决好表面小瑕疵的检测问题,这些瑕疵影响了产品的质量与外观,给生产的自动化带来了难度。在产品缺陷检测方面,机器视觉在成本、速度方面远比人类优秀。利用机器视觉技术进行表面缺陷检测与分类,具有检测准确、缺陷识别范围较广、可靠性高且高效等特点,是目前表面缺陷无损检测领域研究的热点。金属表面具有高反光和拉丝特性,金属表面细小瑕疵的图像检测一直是非常困难的问题,针对金属表面的细小瑕疵检测问题,本文提出的基于支持向量机的金属表面细小瑕疵检测算法,实验结果表明本文的算法有较好的识别效果。该算法首先构造模板,构造模板时需要采集多张合格产品的图像来制作模板,从而综合出一个统计化的模板。本文提出的算法采用统计平均法来制作模板即根据各个样本象素值的概率分布,求出统计平均值作为模板值。然后在线采集需要检测产品的图像,并将采集到的图像进行预处理,然后再和模板图像进行匹配后做减法操作。在对采集图像进行预处理时,目的是为了去掉环境对图像的影响,如光照,温度,噪声以及因为流水线不稳定等因素造成的影响。在和模板进行匹配时采用了计算简单,速度快的NCC匹配方法。在将待检图像和模板图像做完减法后,该算法将图像分成若干子块,以每个子块的灰度直方图作为支持向量机的输入,通过对每个子块是否含有瑕疵进行分类,实现金属表面瑕疵的自动检测。将图像分成子块是为了使在整副图像中显得微小的瑕疵在小块中凸显出来,以便于检测到瑕疵,提高检测的效率和准确率。该算法将图像分割为小的子块,适用于细小瑕疵的检测;运用机器识别的方法,克服了传统图像算法难以检测金属表面瑕疵的缺点。对160个样本的测试结果表明该算法的准确率高达93.75%。