杜 伟，何毅斌，吴林慧，汪 强

武汉工程大学机电工程学院，湖北 武汉430205

在现代机械制造业中，通过计算机视觉对机械零件进行缺陷检测的技术应用越来越广泛。由于其相较于传统人工检测方法具有高效率和低错误率的优势被各大公司企业青睐，其中机械零件的边缘提取是机械零件缺陷检测技术的关键环节。图像的边缘体现了图像的不连续性，包含了物体的特点和图像的基本信息，是图像最基本的特征［1］。边缘是图像亮度急剧变化的地方［2］，图像的边缘检测即提取目标与背景或者目标与目标之间的边界信息［3］。

传统的边缘检测算子如Sobel算子、Canny算子、Laplace算子、Roberts算子等等，其中应用最为广泛的是Sobel算子和Canny算子［4］，这些经典算法计算简单、容易实现，且具有较好的实时性，但检测出的边缘连续性差、定位精度不高，且对噪声比较敏感［5］。在现代的边缘检测算法中，有基于机器学习包括深度学习在内的边缘检测算法［6-8］，这些算法可以提取到图像更多的特征信息，从而具有检测精度高、搜索能力强的优点，但应用这些算法需要大量的训练样本进行模型训练，效率不高，且检测速度较慢。

高斯拉普拉斯（laplacian of gaussian，LOG）算子，是一种不依赖边缘方向的二阶微分算子，由于其具有各向同性（旋转不变）的性质，因此它对任何模板方向的灰度变化有相同的响应，从而可以避免使用多个模板去计算图像中任何点的最强响应，故该算子在图像处理中经常被用来提取图像的边缘。……