带钢作为航空航天、机械、汽车等行业的重要原材料,其质量控制尤为重要。在加工、铸造、轧制等生产流程中,带钢表面会出现多种类型的缺陷,不仅影响带钢的外观,而且降低了相关产品的耐腐蚀性和抗疲劳强度。随着工业自动化及智能化等技术的发展,基于计算机视觉的表面质量检测技术能有效提高产品质量与生产效率。本文针对带钢表面缺陷种类多以及缺陷与背景的低对比度等问题展开研究,基于结构-纹理分解模型提出两种带钢表面缺陷检测方法,包括基于对比度预调整与图像分解的缺陷检测方法和基于自参考模板引导图像分解的缺陷检测方法。本文的主要研究内容如下:(1)传统的纹理分析方法易受噪声影响,且对缺陷与背景纹理相似和低对比度的缺陷类型无效。为了提取高于纹理层面的整体结构特征,本文提出一种基于对比度预调整与图像分解的缺陷检测算法。首先,通过本文提出的两种对比度预调整方法能够压缩带钢图像背景亮度的动态范围并增强缺陷与背景的对比度,有助于后续图像分解提取带钢表面图像中缺陷的整体结构特征。然后,对于获得的两种增强图像分别利用基于全变分的图像分解模型将增强图像分解为结构部分和纹理部分,其中结构部分均包含完整的缺陷且缺陷与背景差异较大。最后,通过自适应阈值即可将缺陷区域定位在结构部分。实验结果表明,本文提出的算法能够准确检测各种不同类型的带钢表面缺陷并实现像素级的检测精度。(2)为了在图像分解的过程中引入大量无缺陷图像的特性,本文提出了一种基于自参考模板引导图像分解的带钢表面缺陷检测算法。首先,根据大量无缺陷带钢表面图像的统计特性,本文结合每幅图像的亮度分布形式对其背景亮度进行建模,并为每幅测试图像生成一个特定的自参考模板。然后,在自参考模板的指导下,利用基于全变分的图像分解算法将测试图像分解为结构部分和纹理部分。这里,通过引入一个新的指标—梯度相似性来度量自参考模板和纹理部分之间的相似性,优化图像分解的参数。最后,将分解得到的结构部分进行频域增强后利用自适应阈值方法对缺陷进行定位。实验结果表明,本文提出的算法可以适用于各种类型的带钢表面缺陷,包括微小缺陷和低对比度的缺陷,并获得了更高的检测精度、召回率和F-测度。同时,该算法也可以扩展到其他均匀或周期性纹理表面的缺陷检测领域中。