随着科学技术的迅猛发展,军工、航天、汽车、电子科技等尖端领域对基础成品的带钢质量提出了更高的要求;产品质量、效益、美观的追求也对带钢生产加工提出了新的标准。及时发现和定位生产过程中出现的表面缺陷,加强生产一个过程的监控管理,通常是依托带钢表面缺陷在线检测系统,实现带钢生产过程实时检测,为带钢质量的提高、带钢生产工艺的改进提供重要的保证,从而大力的促进带钢生产企业的核心市场竞争力。基于图像处理的带钢表面无损检测继承和发扬了以往检测提出的实时性、可靠性要求,并创新检测方法;以图像特征的形式对比,便于辨别得出判断,检测技术和检测算法基于程序编程,更新方便,维护简单,大大的降低了人工作业的能耗,提高企业生产效益,值得我们不断的创新研究。
　　本文结合机器视觉的原理结构和带钢生产的实际情况,针对常见的几种带钢缺陷,设计出一套能对带钢表面缺陷进行实时在线的无损伤自动检测系统,并通过大量的计算和实验,得出适合带钢特性的设计参数,已初步实现缺陷的检测定位和自动识别分类。主要工作如下:
　　1.为验证带钢缺陷检测的可靠性,从带钢工业生产中选取五种比较常见、特征差异比较明显的缺陷类别作为研究对象。
　　2.为有效消除各种噪声误差和相机图像获取引起的图像昏暗模糊问题,设计了多重方式的滤波静噪平滑等图像增强技术。这些方法简单,算法可以直接调用,方便快捷。
　　3.为精简图像信息,获取所需信息,研究决定通过缺陷的边缘差异作为分辨不同缺陷的切入点。边缘检测通过边缘检测算子实现,主要是通过图像边缘的灰度特征启发而得。
　　4.为实现以特性代表目标的分类原则,我们提取了形态、灰度和纹理三大类特征。
　　5.为解决特征数值无法直接可分的问题,设计基于BP神经网络的分类模型,具有自学习的适应能力强的特性。