作为钢铁工业的重要产品之一,带钢已经在国防装备、汽车制造、航空航天等领域扮演着重要角色。其表面质量的好坏严重影响着最终产品的性能,因此尽可能地改善带钢表面质量,提高最终产品的性能具有重大意义。本文基于机器视觉研究了带钢表面缺陷识别技术,设计了带钢表面缺陷检测方法的总体方案。依据性能指标,完成了图像采集模块的硬件选型与参数计算。着重研究了软件模块的图像滤波算法、图像增强算法、特征提取算法、特征选择算法和缺陷识别算法等算法的原理与程序设计。主要研究内容如下:(1)在图像预处理阶段,重点分析了常用的图像增强算法,并通过对比性实验确定了最佳的图像增强方案,为后续的缺陷识别奠定了重要基础。针对图像传输过程中引入的干扰以及环境中的粉尘噪声,通过对比性实验分析了常用的图像去噪方法的滤波效果,最终选择同态滤波对图像进行降噪处理。(2)本文从缺陷图像的灰度图、梯度图、Gabor变换图三种图像表示方法出发,分别提取其纹理特征,共提取了63个图像特征来表征每个缺陷图像。针对特征空间维数高的问题,采用特征选择的方式来达到降维的目的。本文基于主成分分析、ReliefF算法、自编码器等算法的原理,设计了这些算法相应的程序。并分别运用这三种算法对原63维特征向量进行特征选择。构建合适的识别模型可以有效改善识别结果,本文基于BP神经网络、支持向量机、极限学习机、堆栈稀疏自编码器等分类器算法的原理,设计了这些原理相应的程序。(3)分别以四种特征向量为输入,分别输入到四个识别模型中进行对比性实验分析。通过对比各识别系统的识别精度、识别时间和系统稳定性,发现采用ReliefF算法来筛选特征并采用支持向量机构建识别模型的识别系统不仅识别精度可达到98%且系统运行时间最短最稳定。