板带钢是钢铁工业的主要产品之一,随着市场需求的变化,高品质板带钢的生产能力是各大钢铁企业在国际市场中竞争扭力大小的重要体现之一。所以对板带材表面缺陷图像的识别与分类进行研究具有重要理论及经济价值。本文针对现有板带钢表面缺陷检测系统中分类识别方法所存在各种问题,如分类算法的复杂度与分类精度之间的矛盾,传统神经网络、支持向量机等方法有各自弊端的存在,以及在分类方法上难有新突破等,提出了图像识别中的弱分类器自适应集成增强的分类方法。本方法的基本原理就是提取若干简单特征组成若干个弱分类器,再由若干个弱分类器以自适应集成增强的方法组成一个强分类器。其实现过程就是一种样本权重的迭代更新的过程,通过每一次迭代过程,每个样本的权重值表示该样本被错分的情况,被错分样本的权重会变大,在下一轮循环中算法就会更加关注上一轮被分错的样本。自适应地改变训练样本权值的分布,使得基分类器聚焦在那些很难区分的样本上,所以能够降低分类误差,大大提高了特征的分类有效性。本文分类方法的优点是只要找到一个比随机猜测略好的弱学习算法,就可以将其提升成强学习算法,而不必像传统分类方法那样直接去找通常情况下很难获得的强学习算法,并且更好的解决了算法复杂度与分类精度之间的矛盾问题。采用本文提出的方法对从本实验室采集的边缘锯齿、划伤、分层、夹杂、焊缝及抬头纹六大类缺陷样本进行了分类识别研究。实验表明弱分类器自适应集成增强方法在带钢表面缺陷图像的分类识别中应用是可行的,对100张缺陷图像的总体识别率达到94%,并可通过对识别模型的调整,进一步提高对板带材表面缺陷图像的识别率。