中国的钢铁产量已经是世界第一,2018年全年钢铁产量已占世界总产量的50%,但中低端和粗钢比重依然很大。最近几年由于产能过剩,大部分钢铁行业都处于亏损状态,如今身处钢铁企业的黑夜,面对行业萧条、竞争加剧、需求不断减少,以量取胜的时代一去不返,以质取胜将成为钢企度过黑夜的唯一方式。在钢板生产过程中缺陷不可避免,钢板缺陷检测是控制钢板质量的重要方式,因此研究钢板缺陷检测及识别具有重要意义。本文以机器视觉和图像处理为基础,搭建了钢板缺陷检测系统,对钢板缺陷识别与分类进行了研究,钢板缺陷检测系统包括图像采集、图像处理、特征提取及分类识别步骤。采用CCD摄像头采集缺陷图像,针对钢板缺陷检测与识别实际需求和特殊背景,为提高图片质量,对滤波去噪过程中涉及的相关算法做了改进,通过图像预处理得到钢板表面缺陷的二值图像,提取二值图像中的几何、灰度和纹理特征参数,判断出是否存在缺陷,运用BP神经网络算法再进行图像分类,确定缺陷面的种类、大小、轮廓等信息。在图像预处理部分,根据钢板噪声特点,通过分析总结滤波算法,提出了一种改进的中值滤波算法。减少了窗口计算的次数,提高了运算速度。能准确认定目标噪声,从而只对噪声进行了处理,图像的边缘信息和细节被很好的保留了下来。在图像分割过程中,选择了Ostu算法,Ostu方法是使类间方差最大而得出的一种能自动确定阈值的方法,分别计算前景和背景的比重、灰度均值、方差等三种数值,并通过计算比重和方差之和得到该阈值下的图像类间方差计算值,很好的把目标和背景区分开来。在特征提取过程中,对几何特征、灰度特征和纹理特征进行特征信息选择,然后对得到的数据信息进行了标准化和PCA降维处理。在钢板缺陷分类识别部分,选取了4种缺陷样本,样本总数为1200个,选择800个作为训练样本,剩下的样本用来测试分类结果。以样本特征值作为BP神经网络的输入值,经过网络学习后得到测试结果,根据样本具体缺陷类型相对比,验证BP网络分类器的有效性。通过比对,分类效果很好。