热轧带钢被广泛应用于汽车制造、船舶工业和化工等行业,其表面质量直接影响产品质量。由于热轧设备、工艺流程等原因,带钢表面往往会出现裂纹、夹杂、斑块、麻点、压入氧化皮、划伤等缺陷。这些缺陷不但影响产品外观,还极易导致零件破裂和锈蚀,大大降低了带钢的强度、使用寿命,所以对带钢表面缺陷进行研究,识别带钢缺陷种类,具有重要意义。本文基于机器视觉对热轧带钢表面缺陷进行了图像预处理、图像特征提取、特征数据处理和图像分类算法研究。对于缺陷图像的预处理过程,主要利用评价参数对多种预处理算法进行选择:采用“峰值信噪比”参数选择图像滤波算法;采用“平均梯度”参数选择图像增强算法;采用“均像素精度”和“均交并比”参数选择图像分割算法,从而确定出适合热轧带钢表面缺陷图像的预处理算法流程,提高了后续缺陷图像特征提取数据的准确性。针对传统方法中直接在图像域或频率域提取特征存在的问题,提出首先采用二维离散小波变换将预处理后的带钢表面缺陷图像分解为不同子带,然后通过“信息熵”参数确定图像的低频子带含有最多图像分类信息,因此基于缺陷图像低频子带分别提取出缺陷图像的纹理特征、矩特征和投影特征,并对特征数据进行标准化处理及重要性分析,将矩特征与纹理特征加权融合,为后续缺陷图像的分类识别提供了可靠的特征数据基础。利用支持向量机分类器,通过对比纹理特征、矩特征和投影特征的分类能力,确定采用低频子带上的纹理特征作为对带钢表面缺陷图像进行分类的特征,并根据上述单一特征单一分类器算法存在的包含缺陷信息种类单一和对带钢表面缺陷分类具有局限性的缺点,运用多特征融合多分类器集成的加权投票分类算法加以解决。两种算法的分类精度分别达到96.11%和97.22%,有效实现了热轧带钢表面缺陷分类。最后针对本课题所涉及的的算法及理论进行相关实验验证,进一步证明本文算法对热轧带钢表面缺陷图像分类的有效性。