1 機械零件質量檢測中相關圖像識別技術
1.1 模糊匹配識別技術
這種識別方法屬于一種最基礎的識別技術， 而其中所應用的模板所指的就是為能夠對待識別零件圖像中相關區域特征進行檢驗， 通過數字量形式或符號串形式使矩陣得以形成， 選擇已知物體圖像， 將其與模板中全部未知區域實行比較， 在此基礎上將某未知為題與該模板實行匹配， 因而該物體也就會被當作與模板相同有關物體。對于模板匹配技術而言， 其操作比較簡單， 然而在實際應用過程中有一定限制存在， 這主要是由于為能夠與所有物體在尺寸及方向方面進行匹配， 需要放置數量較多的相關模板， 在實際匹配過程中需要對大量模板實行設計及儲存， 從而也就會導致一定經濟浪費。
1.2 神經網絡識別技術
對于神經網絡識別技術而言， 其所指的就是通過偶某種特定方式， 使大量神經單元實現相互連接， 從而使復雜神經網絡系統得以構成， 雖然單個神經單元所具備功能及結構相對比較簡單， 然而由多個不同神經單元所組成神經網絡系統的結構比較復雜， 并且具有比較豐富的功能， 可將其當作對人腦神經網絡系統實行模擬、抽象及簡化。對于該技術而言， 其能夠對人的認知過程及感知過程進行模擬， 具備分布式自主學習能力以及識別能力， 對于需同時考慮各種不同條件及因素的相關問題， 可較好適應， 并且較好進行處理。但神經網絡識別技術的缺點就是訓練時間比較長， 訓練量比較大， 并且收斂精度比較慢， 同時識別精度較低等。
2 機械零件質量檢測中圖像識別技術的應用
2.1 圖像分析
在圖像分析方面， 其所包括的內容主要有以下幾點：第一， 二值化圖像處理， 這一點在計算機圖像處理中占據重要地位， 為能夠對圖像特性進行較好分析， 通常情況下需要分離圖像中相關分析對象， 而后二值化處理對象物， 經過二值化操作， 可將相應處理邊緣由圖像中提出。第二， 圖像分割， 在圖像分割方面所選擇的方法較多， 主要有多門限法、直接門限法及間接門限法， 通過對門限算法進行利用， 可依據在灰度方面背景區域及目標區域存在差異， 對圖像實行分割。第三， 圖像邊緣檢測， 對于圖像特征而言， 其所指的就是圖像影視屬性以及特征， 其所包括內容主要為灰度邊緣特征、文理特征以及角點與線條特征， 還包括變換系數特征、幅度特征等相關內容， 利用圖像邊緣檢測， 可對圖像邊緣性能較好識別。
2.2 圖像識別
在機械零件質量檢測中， 對于圖像識別而言， 其主要包括兩個方面內容。首先， 對特征參數進行科學合理選擇， 機械零件中較常見質量問題主要就是不規則缺陷、點蝕、長形缺陷及折斷與裂紋等。因而在對特征參數進行選擇過程中， 應當依據具體質量問題對適當特征參數進行合理選擇。依據圖像對所獲得信息進行分析， 選擇特定預處理方法對圖像特征進行選擇。在此基礎上依據圖像特征， 選擇以下四個方面參數當作特征參數， 分別為凹凸度、矩形度以及圓度與伸長度等。其中凹凸度的計算公式為t/L, t表示同向碼個數最大值；矩形度計算公式為S/ （W·H） , 其中S表示檢測區域面積；圓度計算公式為4·R·A/L2, 其中L為鏈長度， A表示圓形區域編輯；伸長度計算公式為min （W, H） /max （W, H） , E值越小， 則表示圖形區域月呈現為細長形， 在E值為1的情況下， 圖形區域表示為圓形。其次， 特征提取， 在提取圖像特征時， 通常情況下所選擇方法就是數學形態學。在獲取圖像特征信息方面， 所應用數據形態學方法主要包括標號法、輪廓跟蹤法以及鏈碼法， 其中比較常用的就是輪廓跟蹤法。首先需要監測圖像點， 在此基礎上實行跟蹤運算， 且不必對所有點實行復雜運算， 只需要檢測運算某些特字鞥點。在利用輪廓法對圖像進行檢測及跟蹤過程中， 應當對以下幾個方面加強注意；其一， 每次前進布距應當控制在一個像素；其二， 在由自由區域相黑區跨步時， 應當先向左轉跨步， 一直到跨出白區為止；其三， 在跨步到黑區之后， 再次向白區進行跨步， 應當注意向右轉跨步， 一直到由白區跨出。在對象物進行一周循環之后， 使其返回到起點， 則這一軌跡所經過路線即為對對象物輪廓。
3 結語
機械零件質量檢測是當前機械零件生產中一項重要任務及內容， 也是保證機械零件質量的重要方法， 因而較好開展機械零件質量檢測也就十分必要。在當前機械零件質量檢測中， 通過對圖像識別技術進行較好應用， 可使機械零件質量檢測水平及效果得以有效提升。所以， 在機械零件質量檢測過程中， 相關檢測技術人員應當將圖像識別技術較好掌握， 并且應當對該技術進行科學合理應用， 保證圖像識別技術發揮更好作用及功能， 促使機械零件質量檢測效果得以增強， 以更好保證機械零件質量。