带钢产品表面质量的好坏,直接影响到相关产品的最终性能。本文针对带钢表面缺陷检测算法中存在的问题,提出了一种由粗到精的缺陷检测框架,可以有效解决现有缺陷检测方法中存在的检测速度慢、误检率高的问题,并能有效的去除噪声样本和剔除冗余特征。本文研究的具体内容与成果如下:(1)为了抑制背景图像中伪缺陷的产生,本文利用了基于各向异性扩散的方法对图像进行预处理。该方法可以在弱化图像的背景纹理的同时,保持缺陷的边缘信息。对于在边缘处梯度值较大的缺陷目标,所用的模型扩散系数较小;而在梯度值较小的图像背景处,使用的模型扩散系数较大。实验结果表明,该方法可以有效抑制背景纹理的干扰和伪缺陷的产生。(2)为了提高缺陷检测算法的速度,本文提出了一种基于E-BING框架的快速带钢表面缺陷预检测方法。针对传统的BING算法在带钢表面缺陷预检测中存在的问题,本文将熵特征融入到BING框架中,在二值梯度特征与熵特征的共同引导下选择缺陷的候选目标。实验结果表明,E-BING算法可以在保证候选目标质量的同时,有效降低了预测窗口的数量。(3)为了获得对缺陷目标的紧致特征表示,并解决训练样本中存在的噪声干扰问题,本文提出了一种基R-AdaBoost的缺陷特征选择方法,该方法可以在进行特征选择的同时,有效剔除训练样本中存在的噪声样本。该方法在AdaBoost集成算法的框架下,首先通过在每次循环中采用Relief特征选择算子进行特征筛选,选取有效紧致的特征向量;然后通过对所有训练样本在筛选特征上的类内类间差判断噪声样本,并更新训练样本库。本文算法在邯钢实际生产线上采集的的缺陷图像库上进行了验证。结果表明,相对于其它算法,本文算法准确率提高了2%左右,特征数减少了6.3%~9.4%,验证了方法的可行性。(4)为了解决检测效率与检测率之间的矛盾,本文提出了一种由粗到精的BING-R-AdaBoost缺陷检测方法,首先利用E-BING快速预测算法进行候选目标的预测,然后利用R-AdaBoost对候选窗口内的目标进行精确特征的提取与分析,最终获得图像内缺陷区域的精确位置。通过在邯钢缺陷库上的实验,验证了该算法不仅可以降低误检率,还可以有效地提高检测的速度。