质量控制在钢铁生产中的意义日趋显著,带钢的表面缺陷是影响带钢质量的重要因素。关于钢板表面质量的检测,目前钢铁企业通常采用落后的人工目视抽检和频闪光检测等方式。然而这些方式具有抽检率低、实时性差、检测的置信度低、检测环境恶劣等弊端,因此研究和开发带钢表面质量检测系统已经成为钢铁企业的共识。目前基于神经网络的人工智能识别系统正是国内外研究的热点之一。它以其大规模并行处理、分布式存储和学习能力等特点在模式识别、故障诊断等方面显示出独特的优越性。本文较深入地研究了冷轧带钢表面质量检测的相关理论和关键技术,并成功将神经网络方法应用到带钢的缺陷检测中。主要工作包括以下几个方面:1、系统设计。根据冷轧带钢表面质量检测系统的技术要求,本文给出了系统的设计方案,研究了系统的工作流程和总体结构,并对系统硬件结构和软件流程进行了详细描述;针对钢板的生产环境,对检测光源以及CCD摄像机的选取提出了相关的见解。2、图像处理。本文分别采用直方图均衡法和图像差影法对缺陷图像进行增强处理。实验表明:直方图均衡法既能突出我们感兴趣的图像缺陷区域,又能有效地抑制背景噪声的影响;而图像差影法的特点是简单实用,且增强效果也不错,但不适合处理含有复杂背景的图像。在图像平滑处理方面,本文采用中值滤波法,在提高滤波效果的同时保留了大部分的图像细节。在分析传统Canny算子不足的基础上,对带钢表面图像的边缘检测方法进行了研究,实现了前人提出的Canny算子边缘检测改进算法。实验结果证明:该改进算法提高了边缘定位的准确度和连通性,同时在一定程度上抑制了噪声影响,有效的提高了边缘检测的效果。3、特征提取。对经过预处理的带钢表面缺陷图像进行了特征提取,共研究了图像的形态特征、灰度特征、纹理特征以及NMI特征。其中NMI特征和不变矩特征两者均满足缩放、平移和旋转上的几何不变性。对于复杂的钢板表面缺陷来说,这些特征在一定程度上可以作为缺陷检测和识别的重要依据。4、缺陷检测。本文研究和开发了冷轧带钢表面质量检测系统,并成功将神经网络方法应用到缺陷检测中。文中提出了一种NMI特征和不变矩特征相结合的方法来构建缺陷图像的统计特征量。同时针对传统BP算法的缺点,提出了一种基于变更传递函数倾斜度和动态调节不同学习速率的BP改进算法,以加快传统BP算法的收敛速度和避免陷入局部极小值点。实验表明:该BP改进算法提高了识别率,检测速度快,更能满足钢板表面缺陷检测的实时性要求,是一种行之有效的方法。本系统的另一创新点在于:考虑到传统图像分割算法的局限性,本系统实现了一种图像内任意区域的实时在线检测方法。实验结果证明:该检测方法较传统的图像缺陷区域分割算法的优点在于它能适应多种缺陷并存的复杂样本图像的分析处理,且根据在线检测人员感兴趣的缺陷区域能自由选择合适的矩形框大小,具有很强的灵活性,同时检测速度比较快,完全满足实时检测的要求,并能给在线检测人员提供定量的缺陷严重程度分析。5、缺陷分类识别。考虑到缺陷类型识别问题,本文同样采用BP神经网络构建了系统的缺陷分类器。文中讨论了用于缺陷分类的特征量,在时域增加了矩形框区域内压缩度、距离极值比和线度特征量作为缺陷分类的依据;同时提出了在缺陷频谱图像中心明亮区域的矩形框内提取特征量的方法,并将矩形框区域内所有像素点灰度平均值和灰度方差值作为缺陷分类的另一重要依据。实验表明这些缺陷特征量对冷轧带钢表面缺陷的分类非常有效,该BP分类器识别率较高,在一定程度上解决了带钢表面缺陷分类难的问题。