彩钢板作为一种新型材料凭借其轻质耐用、美观环保、保温隔热等优点被广泛应用于建筑工程、家电产品等领域。与此同时,彩钢板表面质量作为评价其优劣程度的重要指标也备受关注,表面缺陷不但影响外观,更严重的会降低产品性能。如何快速实现彩钢板表面缺陷的检测与分类,进一步改进生产工艺成为企业急需解决的问题。在产品自动化检测过程中,机器视觉检测先进、高效,成为不可或缺的核心技术。鉴于此,本课题以某彩钢板生产企业为依托,结合国内外研究现状,通过分析针孔、擦伤、划痕、凹坑四种常见的彩钢板表面缺陷,对基于机器视觉的彩钢板表面缺陷检测和分类技术展开研究,具体研究内容包括:(1)根据企业相关技术指标,从硬件和软件两部分完成对彩钢板表面缺陷检测和分类系统的设计。硬件部分主要包括CCD工业相机、光学镜头、光源和照明方式、图像采集卡的选取;软件部分主要包括Halcon10.0图像处理库和Visual Studio2015开发环境的选取及系统软件逻辑结构的设计。(2)针对彩钢板表面缺陷图像存在噪声的问题,在分析噪声类型的基础上提出了一种自适应中值与灰度差倒数相结合的图像滤波算法。该算法首先多次与目标点邻域像素点灰度值比较,判断噪声点类型,然后对噪声点进行分类处理从而实现去噪。通过验证,该算法能有效去除彩钢板表面缺陷图像中的噪声,较好的保护缺陷边缘细节,对高强度的噪声也有良好的适应性。采用直方图均衡化对滤波后的缺陷图像进行增强处理,使得缺陷轮廓更加清晰。(3)研究不同边缘检测算子,并通过实验将四种彩钢板表面缺陷图像的边缘检测结果进行对比分析,结果表明Canny算子缺陷定位准确,检测效果最佳。(4)根据彩钢板表面缺陷图像特点,分别选取5维的灰度特征、7维的几何特征和4维的纹理特征构造16维的特征参数向量。为解决从缺陷样本中所提取的特征值相差较大的问题,本文采用单位区间法进行数据归一化处理,在保证数据有效性的同时提高缺陷识别效率。(5)针对传统RBF(Radical Basis Function)神经网络抗噪性能差、训练速度慢、参数难确定等问题,本文提出一种改进遗传算法优化RBF神经网络的分类器。首先在遗传算法最佳个体保存策略基础上改进选择算子,以提高种群平均适应度,保护种群多样性;其次改进交叉变异率公式,提高交叉变异的自适应性,以解决算法“早熟”收敛问题,提升算法寻优性能;最后使用改进遗传算法对传统RBF神经网络进行训练优化,获得合理网络结构与参数。通过验证,该分类器分类准确率高、识别速度快、网络训练误差小,优于传统BP(Back Propagation)和RBF神经网络,具有良好的应用前景。