螺纹钢作为现代建筑的基本材料应用广泛,在轧制过程中,如果不能及时发现表面存在的缺陷,会导致生产出大量废品,因此需快速检测出螺纹钢存在的缺陷,以便工作人员及时调整轧机压力或更换轧制设备。目前螺纹钢缺陷多采用人工检测,迫切需要自动快速智能检测系统来破解这一难题。本文研究基于机器视觉的螺纹钢表面缺陷检测方法,以提高螺纹钢生产的可靠性、产品质量和生产效率,推动我国螺纹钢生产行业向“智能制造”转型升级。本文首先分析了螺纹钢表面缺陷的类型与产生原因,根据生产工艺要求设计了螺纹钢表面缺陷检测的图像采集装置,确定了缺陷检测单元的工作流程及软硬件选型。由于螺纹钢图像的背景区域复杂而多变,为了提取出螺纹钢所在区域,需先对图像进行预处理。在分析对比视觉检测系统中常用的图像增强、阈值分割、形态学处理等图像预处理算法的基础上,综合各类方法的优势,设计了螺纹钢图像背景去除方法。针对螺纹钢表面的气泡和凸块缺陷,设计了基于Blob分析的缺陷检测算法。采用霍夫变换检测直线的方法对纵肋边缘定位,根据纵肋的位置对正面和侧面图像进行区分。对于正面图像,采用Blob分析法结合模板匹配法对螺纹钢的上下纵肋和横肋部分分别进行缺陷分割;对于侧面图像,采用Blob分析法结合频域滤波处理对侧面图像进行缺陷分割。然后提取各类缺陷间差异性较大的几种特征组成特征向量,将特征向量输入到各自的分类器中进行识别分类。实验表明所设计的方法具有较好的稳定性和实用性,可以实现螺纹钢表面气泡和凸块两种缺陷的识别。研究了基于迁移学习的螺纹钢表面缺陷检测算法。将去除全连接层后的VGG16预训练网络作为特征提取器,加上重新设计的分类器,构成新的迁移模型,然后利用正面图像中的气泡、凸块、麻点、擦伤、凹坑五种小样本缺陷数据集微调网络模型。通过改变模型的学习率、批次大小及迭代次数三个参数,得到网络训练集与验证集的准确率变化曲线和损失函数的变化曲线。实验结果表明,该模型训练速度快、适应性好,与Blob分析法相比识别效果良好。