影响零件表面粗糙度的因素很多，从在线检测角度看，影响因素越多检测越困难。用表面粗糙度仪进行检测也是一种不错的选择。尽管零件初始表面粗糙度可以通过理论公式来求取，但是附加表面粗糙度的分析检测非常困难，在检测方法方面，由于人工神经网络具有的网络学习联想能力，并行处理能力和一定的容错性，目前作为研究热点在检测方法的研究中得到广泛的应用。
但神经网络检测方法的缺点是容错的条件性，神经网络的容错性是在样本比较正确，无损检测资源网样本间隔合适的条件下得出的，如果样本间隔过大，会造成很大的误差，在线检测零件表面的粗糙度因素很多，需要巨大的样本数量，这使得利用纯粹的神经网络在线检测零件的表面粗糙度变得十分困难。
另一方面，有些状态参数的微笑变化不会引起附加零件表面粗糙度的变化，有时甚至可忽略附加表面粗糙度的变化，因此没有必要追求间隔过小的样本输入。
模糊逻辑系统由于其推理的公开化，高度容错性，目前在检测方法的研究中备受关注，推理的公开化即对任意键输入的系统输出都可以通过明确的规则来推理解释，高度容错性主要是由于在推理过程中规则的前提不是点集而是模糊语言和隶属度。但是模糊逻辑存在着模糊规则库的获取和点隶属于模糊集合的隶属度的确定问题。过去模糊规则主要由专家来确定，隶属度的确定更是带有主观性。
