钢管的表面质量是评价钢管等级的一项重要指标，表面质量的好坏也将直接影响产品的性能与质量。但企业在生产钢管的过程中，由于现场环境、设备等种种原因，钢管表面难免会出现划痕、辊印、裂纹、夹杂、凹坑、麻面、擦伤等不同类型的缺陷。这些缺陷不仅影响产品的外观，而且会降低产品性能。目前大多数钢管生产企业都是安排特定的人员在线检测钢管表面缺陷，这样不仅会影响生产效率，而且人眼长时间的工作，容易疲劳，漏检概率增大，产品的合格率降低，质量得不到保证。因此企业急需开发出在线钢管表面检测系统来提高产品的表面质量。针对国内外的钢材表面缺陷检测技术现状，笔者提出了基于机器视觉技术的钢管外表面缺陷检测方案，并对现场采集的样本图片进行测试，实验结果也证明该方案是可行有效的。本文重点研究了以下问题：1.基于机器视觉的钢管表面缺陷检测系统方案的设计，硬件的选择与系统平台的搭建；2.通过现场采集的图片分析了影响钢管表面质量的主要缺陷类型与缺陷产生原因；3.钢管表面的缺陷检测理论研究与算法实现，其中包括图像的预处理，图像分割，缺陷的区域定位与缺陷的标注。对图像预处理，笔者提出了一种改进的中值滤波算法对图像进行平滑去噪。然后提出了一种Canny与形态学梯度融合的算法来实现缺陷与背景的分离，最后采用了一种独特的去噪算法去除干扰与伪缺陷，并对缺陷进行区域定位与标注。4.钢管表面缺陷的分类与识别，包括缺陷图像的特征提取与分类器的设计。采用了神经网络的BP算法来设计缺陷分类器，并用其对采集的样本进行训练分类与识别。