（一）基于传统机理的检测算法
涡流检测（Eddy Current Testing，ET）算法
基于电磁感应原理，适用于导电材料的表面及近表面检测。当交流电通过线圈时会产生磁场，线圈靠近导电材料表面时，被测物表面产生感应电流。因缺陷造成的材质、尺寸变动会引起线圈阻抗变化，通过涡流检测仪监测这种变化量就能判断被测物表面是否存在缺陷。但金属表面粗糙度较大时，会引起表面涡流场的局部扰动，产生基底噪声，探头与金属表面接触不良也会产生干扰噪声，影响检测信号的信噪比。
交流电磁场检测算法
利用交流电磁场与被测物体相互作用的原理。当被测物体表面存在缺陷时，会改变电磁场的分布，通过检测电磁场的变化来确定表面是否存在瑕疵。这种算法对不同导电率和磁导率的材料有不同的检测效果，需要根据具体材料特性进行调整。
漏磁检测算法
主要用于铁磁性材料的表面和近表面缺陷检测。铁磁性材料被磁化后，若表面存在缺陷，磁力线会发生畸变，出现漏磁场。通过检测漏磁场的强度和分布来判断缺陷的位置和大小。这种算法对材料的磁化程度要求较高，磁化不均匀可能导致检测结果不准确。
激光超声检测算法
利用激光照射到材料表面产生超声波的原理。当材料表面有缺陷时，会影响超声波的传播特性，如传播速度、反射和折射等。通过检测这些变化来识别表面缺陷。这种算法的优点是可以实现非接触式检测，对复杂形状的物体表面也能较好地检测，但设备成本相对较高。
（二）基于机器视觉的检测算法
传统视觉算法
边缘检测算法
例如Sobel算子、Canny算子等。通过计算图像中像素点的梯度来确定边缘位置，从而找出可能存在瑕疵的边界。Sobel算子计算简单、速度快，但对噪声敏感；Canny算子相对更复杂，能在抑制噪声的同时较好地检测边缘，具有较高的准确性和定位精度。
阈值分割算法
根据图像的灰度值设定一个或多个阈值，将图像像素分为不同的类别。例如，将瑕疵部分的像素和正常部分的像素通过阈值分开，从而识别出瑕疵区域。这种算法的关键在于阈值的选择，选择不当可能导致瑕疵分割不准确。
形态学算法
利用结构元素对图像进行腐蚀、膨胀、开运算、闭运算等操作。腐蚀操作可以去除图像中的小噪声点，膨胀操作可以填补小的孔洞，开运算和闭运算结合可以对瑕疵的形状进行优化和修复，以便更好地识别和分析瑕疵。
深度学习算法
卷积神经网络（CNN）
CNN通过卷积层、池化层和全连接层等结构自动学习图像的特征。在工业瑕疵检测中，将大量带有瑕疵和无瑕疵的图像作为训练数据输入到CNN网络中，网络学习到图像的特征模式后，就可以对新的图像进行瑕疵检测。例如，在表面划痕检测中，CNN可以准确地识别划痕的位置和长度。
生成对抗网络（GAN）
GAN由生成器和判别器组成。生成器生成类似于瑕疵的图像，判别器则判断输入图像是真实的瑕疵图像还是生成器生成的图像。通过两者的对抗训练，提高对瑕疵图像的判别能力。这种算法在处理复杂纹理和形状的瑕疵时具有一定的优势。
二、表面粗糙度检测方法
（一）目测检查
适用情况
当工件表面粗糙度比规定的粗糙度明显的好或不好，或者工件表面存在着明显影响表面功能的表面缺陷时，可选择目测法进行检验判定。
特点
这是一种方便快捷的检测方式，但检测精度有限，只能进行初步的判断。
（二）比较检查
检测过程
若目测检查不能做出判定，可采用视觉或显微镜等辅助工具将被测表面与粗糙度比较样块进行比较判定。粗糙度样板是以不同的加工方法（如车、刨、平铣、立铣、磨等）制成的一组金属块。
特点
比目测法更精确一些，但也依赖于操作人员的经验和视觉判断，并且只能给出相对的粗糙度等级，不能得到具体的粗糙度数值。
（三）仪器检测
直接量法
分类
分为接触测量和非接触测量。利用光学、电动仪器对零件表面直接量取有关参数，确定粗糙度等级。例如，使用表面粗糙度测量仪进行测量，接触式测量仪器的探头直接接触被测表面，非接触式测量仪器如光学干涉仪则通过光学原理测量表面粗糙度，不与表面接触，避免了对表面的损伤。
综合测量法
原理
利用被测表面的某种特征来间接评定表面粗糙度的级别，但不能测峰谷不平高度的具体数值。
印模法
适用情况
多用于不能用仪器直接测量的或内表面。可用塑性材料作成块状的印模，贴合在被测表面上，待取下后贴合面上即复制出被测表面的轮廓状况，然后对此印模进行测量，确定其粗糙度等级。
