带钢作为现代钢铁工业的主要产品形式，其生产能力是衡量一个国家现代装备制造和科技发展程度的标志。表面缺陷是影响带钢质量的重要因素，进行带钢表面缺陷在线检测对质量控制至关重要。目前，基于计算机视觉的表面缺陷检测技术已成为带钢表面质量检测的研究热点和主流，日本、德国、美国等国近十年对此的研究取得了较大进步，效果较好，而我国起步晚，落后多，面临着缺陷识别率低和识别速度慢的问题。　　 带钢表面缺陷检测的核心和难点是缺陷图像处理算法。本文在采集大量表面缺陷样本、建立相对完整的样本库的基础上，研究缺陷图像处理算法，在提高缺陷识别的准确率和实时性方面做出一些探索，提出多项缺陷图像特征提取和特征降维算法。全文主要内容包括:　　 (a)基于轮廓波变换的缺陷图像特征提取与识别方法;　　 (b)基于独立成分分析的缺陷图像特征提取与识别方法;　　 (c)基于脉冲耦合神经网络的缺陷图像特征提取与识别方法;　　 (d)基于二进制粒子群优化的缺陷图像特征选择方法。具体研究内容如下:　　 (1)概述基于计算机视觉的带钢表面缺陷检测技术的发展历史和国内外研究现状，介绍检测技术的原理方案。　　 (2)建立相对完整的缺陷样本库，分析缺陷图像的特点，系统总结目前的缺陷图像处理、特征提取、特征降维算法，指出面临的困难和不足。　　 (3)提出基于轮廓波变换的缺陷图像特征提取方法。　　 提取缺陷图像准确有效的特征是缺陷识别的关键。利用多尺度几何分析，如小波分析方法提取缺陷图像特征较在空间域提取特征能获得更高的缺陷识别率，但小波无法有效表示和提取缺陷图像中具有线奇异性的纹理和边缘信息。提出基于轮廓波变换的缺陷图像特征提取方法。利用轮廓波变换的各向异性、方向性、多分辨率性，将缺陷图像在多尺度多方向上进行稀疏表示，提取子带的l1范数能量测度、方差和不变矩作为缺陷特征。与小波方法相比，提出的方法能准确捕获和提取缺陷图像的纹理边缘等方向信息。　　 分析轮廓波变换的移变性和冗余性，研究其改进变换，提出基于改进的轮廓波变换更有效地提取缺陷图像特征:采用非下采样轮廓波变换克服轮廓波变换的移变性并获得更好的频率选择特性和正则性;采用基于小波的轮廓波变换去除轮廓波变换的冗余性并进一步挖掘和精细划分缺陷图像的方向信息。　　 实验表明，基于轮廓波及其改进变换的特征提取方法对带钢表面缺陷图像识别是有效的。与小波方法相比，提出的方法的识别时间开销增加约5ms，而识别率大幅提高四个百分点以上。其中基于非下采样轮廓波变换的缺陷特征提取方法的识别率最高，在不严格要求速度的情况下非常合适，而基于WBCT的特征提取方法则兼顾了识别精度和速度。　　 (4)提出基于独立成分分析的缺陷图像特征提取方法。　　 利用图像的线性表示方法，将带钢表面缺陷图像从空间域转换到变换域以提取特征，能够提高缺陷识别率，但通常的线性变换，如Fourier、Wavelet、Gabor变换及其基函数都是预先定义和固定不变的，不能适应于缺陷图像的特点。提出基于独立成分分析(ICA)的缺陷图像特征提取算法。通过建立缺陷图像的统计生成模型，极大化系数的独立性，从缺陷库中估计出相应的线性变换和基函数，然后用与基函数对应的滤波器对缺陷图像滤波以提取特征。并研究ICA的改进算法，拓扑独立成分分析(TICA)，放松独立性假设，允许系数之间呈现拓扑结构，使模型能对相邻成分倾向于同步激活的情况更好地建模。提出用TICA滤波器分别提取其对缺陷图像的滤波响应线性特征和邻域响应非线性特征。　　 提出的方法建立在对缺陷集自适应学习的基础上，估计出的基函数适应于缺陷图像的特点，而滤波器具有哺乳动物初级视觉皮层简单细胞和复杂细胞的特性，提取的线性特征是缺陷图像的稀疏编码或近似稀疏编码，而非线性特征具有相位和平移不变性。特征提取过程是一对一和可逆的，且计算复杂度低、可并行实现。　　 实验表明，方法对带钢表面缺陷图像的识别率和识别速度都优于基于Wavelet、Gabor变换的方法。其中提取TICA线性特征加非线性特征的方法取得了95％以上的缺陷识别率，而提取ICA、TICA线性特征的方法能基本满足实时识别的要求。　　 (5)提出基于脉冲耦合神经网络的缺陷图像特征提取方法。　　 目前广泛使用的灰度、几何、纹理等特征虽简单明了，但缺乏统一的框架，有时难以保证各特征量的有效性，且容易导致信息冗余。在研究脉冲耦合神经网络(PCNN)及其应用于图像的特性的基础上，提出基于PCNN的缺陷图像特征提取方法。用缺陷图像激励网络，利用网络的同步脉冲发放和全局耦合特性，输出一系列点火图，点火图包含了缺陷图像丰富的边缘纹理信息，然后对点火图提取熵序列特征。还研究PCNN的改进模型。提出的方法是首次将PCNN及改进模型用于缺陷图像特征提取与识别，目前国内外未见相同的研究报导。　　 实验表明，所提取的熵序列特征具有旋转、平移、缩放不变性，对同类、不同类缺陷具有好的一致性和差异性。网络不需要学习训练，算法的运行速度较快，其中基于PCNN改进模型的特征提取方法能基本满足实时识别的要求。两种方法对缺陷的识别率为92％左右，识别率还有提升空间。提出的方法是对相关研究的有益尝试，为今后进一步深入奠定了基础。　　 (6)提出基于二进制粒子群优化的缺陷图像特征选择方法。　　 为克服基于遗传算法的特征选择方法收敛速度慢，易陷入局部极值的缺点，提出基于二进制粒子群优化的缺陷图像特征选择方法。粒子的速度矢量属于实数空间，位置矢量属于二进制空间，用粒子群算法搜索缺陷的特征子集，将训练样本分类正确率作为适应度函数，它是一种Wrapper特征选择方法。　　 实验中，对缺陷图像提取纹理、几何、投影、灰度特征共101维，结果表明，提出的特征选择方法能将缺陷特征降至32维左右，且识别率较不降维时提高约十个百分点。与基于GA的方法相比，此方法进行特征选择的时间开销约为前者的1/3，且选择出的最优子集的维数要低，识别率也较前者高出三个百分点以上。　　 最后对全文进行总结，指出存在的不足，并展望今后的研究方向。