带钢表面缺陷是衡量带钢质量的主要因素,由于原材料、轧制设备、加工工艺和系统控制等多方面原因,造成带钢表面出现多种缺陷,影响最终产品的性能和质量。因此,带钢表面缺陷检测算法的研究必将为企业带来巨大的经济价值和现实意义。本文对带钢表面缺陷图像的处理和识别技术进行了深入的研究,提出了检测算法的总体方案,成功实现了带钢表面缺陷的实时检测,提高了带钢生产的自动化水平。在预处理阶段,采用自适应滤波去除图像中的噪声,使图像得到增强;根据缺陷图像的表现特性,提出了一种光照不均匀校正算法;针对传统阈值选择算法的不足,提出一种基于最大类间类内距离比准则的阈值选择算法,成功实现了目标缺陷区域与背景的分离。根据特征向量的类可分离性准则和仿射不变性准则,提出将对于目标的旋转、平移和尺度变化保持不变的不变矩描述子作为缺陷图像的特征向量进行提取;采用主成分分析法对特征向量进行空间降维处理,将原始22维特征向量压缩为15维特征向量,有效地提高了系统的运行速度。研究了统计学习理论中的一类支持向量机分类方法;详细讨论了一类支持向量机分类器设计中核函数的选择和参数的设置问题;将一类支持向量机与BP神经网络进行了性能比较,分析了一类支持向量机在模式识别中的优越性。采用本文研究的算法,利用工业现场获得的180幅带钢缺陷图像进行测试,对于乳液斑缺陷、孔洞缺陷、辊印缺陷、欠酸洗缺陷、划伤缺陷和边裂缺陷等六类缺陷的正确识别率分别为90.00%、90.00%、90.00%、100.0%、93.33%和90.00%,平均的识别率为90%以上,且系统能够保证在5帧/s以上的速度对缺陷进行识别。可见,本文的缺陷检测算法不仅具有较高的正确识别率,而且适合于工业现场的实时检测。