随着冷轧钢板生产节奏的日益加快,传统的人工目视监测钢板表面质量已经难以跟上当前的生产节奏,而且人工目测抽检率低、实时性差、监测结果置信度低等,于是钢铁企业开始日益重视研究开发冷轧钢板表面质量在线监测系统。由于神经网络在自学习、自组织、自联想及容错等方面的优良特性,因此利用神经网络来实现冷轧钢板表面缺陷的分类识别技术具有一定的理论价值与实用价值。首先,本文系统论述了表面监测技术的发展情况和研究现状,并依据冷轧钢板表面质量在线监测系统的性能需求,提出了系统的设计方案,建立并描述了系统的总体结构和软件流程;其次,深入研究了冷轧钢板表面缺陷的分类识别技术,通过对缺陷图像的几何、灰度、纹理三方面特征提取方法的研究,利用人工神经网络重点设计了基于RBF的网络分类器;最后,分别从响应时间、收敛迭代次数、单次迭代响应时间以及识别率四方面与BP网络分类器进行了对比,从而说明RBF网络分类器优于BP网络分类器。该结论充分表明基于RBF的网络分类器在冷轧钢板表面缺陷的分类识别技术中更具备应用前景,使冷轧钢板表面质量在线监测系统距离实用化更近了一步。