文档介绍：密级：学校代码：10075
分类号：学号：20081225

工学硕士学位论文

基于机器视觉的带钢表面缺陷
检测系统研究

学位申请人：高雪梅
指导教师：赵杰教授
学位类别：工学硕士
学科专业：通信与信息系统
授予单位：河北大学
答辩日期：二○一一年六月
Classified Index： CODE：10075
： NO：20081225

A Dissertation for the Degree of Master

Research on Surface Defects Detection
for Steel Strips Based on Machine Vision

Candidate: Gao Xuemei
Supervisor: Prof. Zhao Jie
Academic Degree Applied for: Master of Engineering
Specialty : Comm. &Info. System
University: Hebei University
Date of Oral Examination: June, 2011
摘要
摘要
带钢作为钢铁工业的主要产品之一已成为诸多行业的必需材料，其表面质量的优劣
直接影响着产品的性能。传统的带钢表面缺陷检测方法误检率高，对人体危害大。而且
近几年各行业对带钢的需求量不断增加，但对其表面性能要求却越来越高，传统的检测
方法已不能满足实际生产的需求。因此研究和开发带钢表面缺陷自动检测系统具有重要
的理论价值和经济价值。本文提出了基于机器视觉的带钢表面缺陷检测系统，借助于图
像处理和模式识别技术实现高精度、自动化的带钢表面检测，主要研究内容如下：
在对相关图像处理技术进行研究的基础上，对图像滤波算法、目标检测算法和图像
分割算法进行分析，并根据实验对比确定最佳的解决方案，实现了缺陷的准确定位。
通过研究特征提取的方法，采用了多种分类特征，包括灰度特征、形状特征、纹理
特征和投影特征等，这些特征为缺陷识别奠定了坚实的基础。
由于提取的特征量太多而不能达到有效的分类效果，所以采用 PCA 提取特征空间主
元，对特征提取阶段提取出来的数据进行优化。为了进一步提高算法识别率，提出了归
一化 PCA 算法，并比较了最小距离分类器、最近邻分类器、K-近邻分类器和 SVM 分类
器四种分类器和它们组合后的识别结果。实验结果表明归一化 PCA 处理对识别性能有
明显提高，SVM 分类器识别效果优于其它分类器。几种算法中最佳的组合方式是归一
化+PCA+SVM 分类器。