带钢产品,作为钢铁产品中的一个重要部分,已经成为航空航天、机械制造、汽车生产、化工等工业的重要原材料,其质量直接影响着产品的最终性能。因此,作为带钢表面质量自动评估的一种重要手段,基于机器视觉的带钢表面缺陷在线检测的研究具有重要的理论与现实意义。针对现有常规缺陷检测方法在实际应用中吞吐量低、检测准确率不高的问题,本文从基于纹理异常检测和机器学习两方面着手,分别提出了基于局部二值模式(LBP)的缺陷纹理异常检测和基于卷积神经网络CNN的缺陷检测方法。同时,为了提高分类算法的准确性,提出一种基于特征对的改进ReliefF特征选择方法。本文研究的内容与成果如下:(1)针对传统检测方法在带钢缺陷检测中误检率和漏检率较高,检测算法参数较多的问题,提出了一种基于多尺度LBP编码的缺陷检测方法。在不同尺度下对带钢表面图像创建高斯差分金字塔模型,确定缺陷疑似区域,然后针对可疑区域进行经过阈值化处理后的LBP编码,最后将所有尺度下的编码图像融合,生成最终的像素级缺陷位置信息,将检测结果中的连通域合并(ROI合并),生成完整的缺陷位置信息。(2)为了排除背景纹理的干扰,抑制伪缺陷的产生,本文再次提出一种基于奇异值分解的缺陷检测方法SVD-LBPH,通过对待检测图像进行SVD分解与重构,弱化背景纹理,然后采用LBP对图像进行编码,提取LBP直方图相关的统计特征,通过将特征与设定的阈值比较,最终检测出缺陷。(3)实时检测对实时性要求较高,实时检测结束后,需要在检测出来的缺陷区域进行即时检测,进一步剔除伪缺陷。在即时检测阶段,针对深度学习算法在目标检测与图像分类的高准确率,采用卷积神经网络CNN进行缺陷的检测,通过与其它基于机器学习的缺陷检测方法进行对比,验证了卷积神经网络在缺陷检测的高效潜力。(4)为了对缺陷类别进行辨别,本文提取了缺陷的灰度特征、灰度共生阵以及频域等特征。为了提高分类准确率,剔除不相关的特征,同时为了避免因特征维数过大而造成的过拟合,采用了特征筛选的手段。本文利用更新特征对权重的方式对ReliefF进行改进,实现特征的降维。最后利用SVM对筛选后的特征进行分类。