随着社会现代化工业快速发展以及市场竞争的加剧,人们对制造业生产线的要求越来越高,不仅要满足高效而且也要保证产品的质量。金属铝在交通运输、工具制造、航天科技应用、人们的衣食住行中起着重要的作用,然而在铝板生产过程中,由于生产设备陈旧、生产原料批次或质量不同以及生产流程等原因的限制使铝板表面产生一些缺陷,正是这些缺陷在很大程度上降低了产品的美观度、抗腐蚀性和耐磨性,并给冷轧铝板生产企业带来了巨大的损失。因此,对冷轧铝板表面缺陷的检测分类此时显得尤为重要。本文中对冷轧铝板表面缺陷进行分类实验的过程中,分别运用了支持向量机分类算法和BP神经网络分类算法,通过分析实验结果发现BP神经网络分类方法对冷轧铝板表面六种缺陷的总体识别精度不高,分类过程需要时间较长,泛化能力差而且在对分类模型训练时需要很多的缺陷样本,但是该算法对油斑类缺陷的正确分类率较高;支持向量机分类算法对六种缺陷的整体分类正确率较高,但是对于像油斑这样复杂类缺陷识别率却达不到令人满意的效果。为了使冷轧铝板表面缺陷整体和单类别的分类正确率都达到较高的水平,本论文中研究了一种基于支持向量机与BP神经网络相结合的分类算法用于对冷轧铝板表面的缺陷进行分类。首先,采用减背景与中值滤波技术进行冷轧铝板表面缺陷图像的预处理;其次采用自适应阈值法将缺陷区域从冷轧铝板表面缺陷图像中分割出;在特征提取时,结合目标图像和分割后缺陷图像,提取了灰度特征、形状特征、几何特征三大类特征;训练支持向量机和BP神经网络相结合的分类模型时,BP神经网络隐含层采用一层结构,按照一定的规则通过对比多次实验分类结果设置隐含层节点数;支持向量机选用径向基函数作为核函数,通过交叉验证法确定惩罚因子和核参数,并采用一对一的分类策略进行多种缺陷的分类;支持向量机与BP神经网络相结合的分类模型对测试样本进行分类时,先由BP神经网络分类模型判断测试样本是否为油斑,若为油斑则输出分类结果,若认为是第二类缺陷,则把该样本交由支持向量机分类模型进行细分类,即分为气泡、破皮、刮痕、孔洞、黑线,最终输出分类结果。本论文中对定义的六类冷轧铝板表面缺陷进行分类研究,主要是通OpenCV与VC++编程完成相关实验。最终的实验结果验证了支持向量机和BP神经网络相结合的分类算法的分类准确率高并能满足实时性的要求。