随着科学技术的迅猛发展,对于器件的精度及质量要求随之上升。在实际生产和使用中,器件将受到外界各种因素的影响,导致在其表面产生裂纹,进而造成器件品质的负面影响,严重时使器件报废。因此基于上述这一情况,在生产过程中对器件进行裂纹检测非常关键。结合视觉检测技术,通过CCD摄像机对器件进行拍摄,并将模拟图像信号转换为计算机可以处理的数字图像信号,然后在计算机上运用图像处理技术对器件进行裂纹识别。为此本文研究了一套器件表面裂纹分类识别算法,通过该算法就能高效地检测出表面含有裂纹的器件及裂纹类型,在实际的生产和使用中可以快速、高效地识别出表面含有裂纹的器件,从而可以保证生产线生产效率、质量,也避免了后续使用中因裂纹器件而对系统造成的危害和资源的浪费。本文对该套裂纹检测算法从以下几个方面研究：第一,基于数字图像处理技术,结合视觉检测方法,完成器件表面图像边缘的提取。将CCD采集的器件裂纹图像进行灰度处理,使其满足图像边缘提取要求；由于图像采集和传输过程中容易产生的噪声,又考虑到传统的软阈值去噪法所具有的不足和缺陷,文中提出一种改进的小波阈值去噪算法实现图像去噪,它能保护图像边缘清晰完整；第二,采用B样条小波边缘检测算法提取图像边缘,通过算法仿真并与其它算法作比较,得出此算法能抑制噪声及提高图像边缘提取的完整度。第三,在裂纹图像被阈值分割和二值化后,对图像进行裂纹特征提取及识别,通过对二值化后裂纹图像的特征分析,提取了二值化图像裂纹在X,Y轴上投影像素数目以及总的裂纹像素数目作为识别的特征输入。在确定了特征输入后,本文设计了一个三输入四输出的神经网络,将三个提取特征作为输入,并规定了4个输出分别代表横向裂纹、纵向裂纹、网状裂纹和无裂纹。然后对隐含层神经元数目为30、60和150的3个神经网络做了分析对比,最后得出隐含层神经元数目为60的神经网络能够胜任器件表面裂纹的识别分类功能。