汽车轮毂加工生产过程中会对轮毂表面进行一系列的机加工操作,在表面加工和轮毂运输过程中难免会产生划痕、擦伤等表面缺陷,通常是由工人检测轮毂是否有缺陷产生,传统的人工检测方式有着低效、耗时、检测精度低的缺点,难以满足工业自动化的需求。由于近些年来机器视觉发展迅速,卷积神经网络在图像识别和图像分类领域实现了较好的应用,使用机器视觉的检测方式代替人工检测将会是一个必然的趋势,本文提出使用机器视觉技术实现汽车轮毂表面缺陷的检测。为实现汽车轮毂表面缺陷的自动化检测,本文主要针对轮毂自动化检测中的关键技术展开研究,包括检测方案、轮毂定位技术以及缺陷检测算法,提出了一种针对汽车轮毂表面缺陷的基于图像处理和卷积神经网络的检测识别算法,主要研究如下:根据汽车轮毂表面缺陷的检测要求,设计了轮毂表面缺陷检测的检测方案,并根据轮毂结构复杂的特点,提出将视觉系统安装在机器人执行器的末端,实现轮毂表面图像的采集,研究了包括工业相机、工业镜头、照明光源以及照明方式的选择,通过对比不同的照明方式,并结合汽车轮毂表面的特点,最终选择了同轴照明的照明方式,最后使用选择的视觉部件搭建了实际的硬件系统,为后续缺陷的缺陷检测奠定了基础。若要实现轮毂缺陷的自动化检测,轮毂定位是不可或缺的,提出使用机器视觉技术实现轮毂的定位,并以此进行了相机标定和手眼标定,通过图像处理技术,提取了轮毂中心孔以及安装孔的圆心坐标,从而实现轮毂的定位,并通过实验验证了定位算法的准确性。研究了图像预处理算法,图像预处理算法的主要目的是突出图像的缺陷特征,便于图像缺陷的识别。本文图像预处理算法包括图像滤波、图像灰度变换和图像锐化等。通过实验对比分析选择了中值滤波、图像对数灰度变换和拉普拉斯图像锐化对图像进行处理,有效突出了轮毂表面的缺陷特征。介绍了卷积神经网络的主要结构和特征。基于MATLAB平台搭建了七层卷积神经网络,经过神经网络的训练与参数的调试,得到了收敛的神经网络模型,通过本文算法与未经过图像处理的卷积神经网络算法测试结果的对比验证了本文算法有效提高了缺陷检测的准确率。最后通过搭建的硬件系统实验验证了本文算法可以实现汽车轮毂的表面缺陷检测。