带钢作为钢铁工业的主要产品之一已成为诸多行业的必需材料,其表面质量的优劣直接影响着产品的性能。传统的带钢表面缺陷检测方法误检率高,对人体危害大。而且近几年各行业对带钢的需求量不断增加,但对其表面性能要求却越来越高,传统的检测方法已不能满足实际生产的需求。因此研究和开发带钢表面缺陷自动检测系统具有重要的理论价值和经济价值。本文提出了基于机器视觉的带钢表面缺陷检测系统,借助于图像处理和模式识别技术实现高精度、自动化的带钢表面检测,主要研究内容如下:在对相关图像处理技术进行研究的基础上,对图像滤波算法、目标检测算法和图像分割算法进行分析,并根据实验对比确定最佳的解决方案,实现了缺陷的准确定位。通过研究特征提取的方法,采用了多种分类特征,包括灰度特征、形状特征、纹理特征和投影特征等,这些特征为缺陷识别奠定了坚实的基础。由于提取的特征量太多而不能达到有效的分类效果,所以采用PCA提取特征空间主元,对特征提取阶段提取出来的数据进行优化。为了进一步提高算法识别率,提出了归一化PCA算法,并比较了最小距离分类器、最近邻分类器、K-近邻分类器和SVM分类器四种分类器和它们组合后的识别结果。实验结果表明归一化PCA处理对识别性能有明显提高,SVM分类器识别效果优于其它分类器。几种算法中最佳的组合方式是归一化+PCA+SVM分类器。为了降低PCA计算的复杂性,提出了一种分段PCA融合算法,首先将六类特征的归一化数据分别进行PCA特征优化操作,然后对特征优化后的数据进行均值融合,最后选用SVM分类器进行分类识别。实验结果证明融合后的性能高于归一化+PCA+SVM分类器的识别效果,是一种较为理想的带钢缺陷检测算法。