质量控制在钢铁生产中的意义日趋显著,机器视觉表面缺陷检测技术作为先进的带钢生产质量监测手段,具有快速、准确和可靠等优点,受到了钢铁企业越来越多的重视。虽然该自动检测技术已经得到了一定程度的应用和推广,但整体技术水平仍处于研究和发展阶段,其研究重点为:降低系统的复杂度,增强系统稳定性,缩减开发周期和成本;优化缺陷检测和识别方法,提高缺陷检出率和识别率。本文将针对机器视觉冷轧带钢表面缺陷自动检测系统设计及其缺陷图像处理和缺陷识别的关键技术进行深入研究。从带钢表面缺陷检测系统的功能和性能分析入手,在总结现有检测系统研究状况的基础上,设计了带钢表面缺陷检测系统的总体结构,从系统整体设计的高度划分了主要的功能模块,提出了缺陷检测关键环节的硬件设计方案和软件数据处理流程。硬件采用并行结构,实现高速线阵CCD在过渡照明场采集图像,经由图像处理计算机完成检测过程。软件采用实时处理和及时处理相结合的分层处理流程来满足检测精度和速度的要求。归纳出了带钢表面缺陷图像处理和图像识别两项关键任务。带钢表面图像处理技术实现了从图像中检测并分割缺陷的目的。针对带钢图像质量不稳定、高速线阵CCD成像存在灰度分布中部亮和边部暗的现象,提出了图像灰度补偿的预处理方法,改善并规范了图像的灰度分布,使后续处理在灰度归一化的图像上实现模块化开发和测试。带钢表面缺陷产生、分布的随机性和缺陷形状的不定性使得基于边缘或区域的图像分割方法难以取得理想的效果,提出了一种基于局部灰度分布信息的带钢图像分割方法。根据感兴趣区域内缺陷形态复杂而背景灰度稳定的特点,借助分割图像背景来确定缺陷区域。测试表明,该方法能够取得较高的运算效率和分割精度。缺陷图像的特征提取和选择是缺陷分类器设计的前提。本文从缺陷图像不同形态、不同区域和不同特征描述方法的角度出发提取了263个图像特征,实现了在特征空间对缺陷的精确描述。根据特征选择需要和分类器设计匹配的思想,提出了ReliefF算法结合相关性分析方法的过滤式特征选择模型,并采用C4.5决策树分类器对特征选择模型的性能进行检验。过滤式特征选择能够有效去除无关和冗余特征,降低特征空间维数,简化分类器设计和维护的复杂度。带钢表面缺陷识别是一个多类、多特征的复杂模式识别问题,采用单一分类器技术一步到位地构建具有优良性能的分类器十分困难。本文对分类器集成技术和分级分类器技术进行了总结,提出了由Boosting算法组合SLIQ决策树的带钢表面缺陷组合分类器识别方法。同构分类器组合技术Boosting算法通过适应性权重技术和加权投票方法建立并组合多个决策树分类器,有效地提高了分类精度。通过实际缺陷样本测试,组合分类器的识别精度达到92%以上,对单个分类器识别准确率的提高幅度大于10%。本文对冷轧带钢表面缺陷自动检测技术进行理论和试验研究,提出的系统设计方案、带钢表面缺陷的检测和识别方法已经在实际的工程项目中得到验证,并投入了工业化应用,对机器视觉检测技术在其它带材领域的应用具有一定的启发作用。