齿面粗糙度是齿轮表面质量的重要指标,与齿轮的配合性、耐磨性、耐腐蚀性及疲劳强度等密切相关,对齿轮的可靠性与使用寿命有重要影响。随着精密制造技术的发展,齿面粗糙度日益受到重视,齿面粗糙度的精确测量也成为研究的热点。针对传统接触式粗糙度测量方法存在的测量费时、线性测量不足以对整个表面的粗糙度进行描述以及传统非接触式测量方法存在的测量面积狭小、仪器设备昂贵等问题,为了对磨削齿面粗糙度进行快速检测,本文在研究了传统表面粗糙度测量方法的基础上,结合机器视觉与机器学习方法,提出了一种新的针对磨削齿面粗糙度的非接触测量方法,该方法具有检测效率高、测量精度高、非接触、性价比高等优点。本文的研究内容主要有:(1)研究了齿面粗糙度的定义、产生、对齿轮性能的影响及粗糙度评定参数,根据测量方式不同,阐述了接触式测量和非接触式测量的原理概况及机器视觉粗糙度测量方法的研究进展,分析了粗糙表面的光散射机理与成像机理,总结了机器视觉粗糙度测量系统的主要硬件组成及选型依据,选择了适合本文的硬件设备及成像系统。(2)针对彩色分布统计矩阵(CDSM)重合度指标S对磨削齿面粗糙度特征敏感性不强的问题,以重合度指标为原型,采用机器学习中的聚类方法,提出了对磨削齿面粗糙度特征更加敏感的聚类指标CI。实验结果表明,磨削齿面粗糙度与聚类指标CI之间具有较好的相关性,更加适合于磨削齿面粗糙度评估。(3)为了更加全面地对磨削齿面粗糙度进行评估,将基于磨削齿面图像的聚类指标CI、拟合椭圆离心率E、灰度算术平均值指标Gaa以及图像频率域平均功率谱F3组成磨削齿面图像粗糙度特征指标集,用特征指标集对磨削齿面粗糙度进行综合评估。研究了神经网络模型的基本原理和算法流程,对于BP神经网络权值和阈值随机初始化导致训练时间过长、训练精度受影响等问题,通过遗传算法(GA)对BP神经网络进行初始权值和阈值的优化,并与RBF网络模型进行预测对比。实验结果表明,RBF神经网络预测性能优于BP神经网络模型,取得了良好的预测结果,论证了 RBF神经网络模型用于齿面粗糙度预测的可行性。(4)以LabVIEW和MATLAB为平台开发了一套基于机器视觉与机器学习的磨削齿面粗糙度测量系统原型。该系统可完成齿面图像采集、图像处理、特征参数提取以及齿面粗糙度预测的整个流程,可为磨削齿面粗糙度在线测量提供必要的软件支持。论文的研究工作是基于机器视觉与机器学习的粗糙度测量方法在具体工程应用方面的大胆尝试,具有显著的实际应用价值。