本文以基于机器视觉的钢板表面缺陷在线检测技术为研究背景,以视觉显著性和稀疏表示等理论为研究基础,提出针对钢板表面缺陷图像的筛选、分割和分类等关键检测方法,以解决传统的钢板表面缺陷图像检测方法中所存在的快速性、准确性和鲁棒性等问题。同时,搭建钢板表面缺陷在线检测实验平台来进一步地对本文所提出的钢板表面缺陷图像检测方法进行在线地实验验证。本文的主要工作包括以下四个部分:一、提出一种基于梯度投影的钢板表面缺陷图像筛选方法为了降低钢板表面缺陷在线检测系统的图像数据(处理)量以及提高检测系统的实时性水平,在对钢板表面缺陷图像进行分割和分类等检测操作之前,需要先从海量的钢板表面图像中将占极少部分的钢板表面缺陷图像筛选出来。针对传统的钢板表面缺陷图像筛选方法中所存在的筛选结果差、鲁棒性弱等问题,本文提出一种基于梯度投影的方法来对钢板表面缺陷图像进行筛选。首先根据钢板表面图像的梯度(幅值)图来得到垂直投影(曲线)图和水平投影(曲线)图,再分别计算这两个投影(曲线)图的均值和标准差来得到四个量化指标,最后根据表面缺陷图像和正常表面图像在这四个量化指标上的差异来设置合适的筛选(阈值)准则,进而通过阈值判断来实现对钢板表面缺陷图像的筛选。二、提出一种基于视觉显著性的钢板表面缺陷图像分割方法由于钢板表面缺陷图像中的表面缺陷区域可以看成是图像中具有视觉显著性特征的(前景)目标,因此可以将钢板表面缺陷图像近似地看成是由显著性(表面缺陷)前景和非显著性背景线性叠加而成的。针对传统的钢板表面缺陷图像分割方法所存在的分割准确度不高、通用性不强等问题,本文提出一种基于视觉显著性的方法来对钢板表面缺陷图像进行分割。首先分别提取钢板表面缺陷图像的基于颜色、边缘和纹理的底层图像特征、基于超像素分割的中层图像特征和基于先验知识的高层图像特征,并以这三类图像特征为基础来构造钢板表面缺陷图像的特征(矢量)矩阵,然后通过本文提出的基于双低秩和稀疏约束的矩阵分解方法来实现钢板表面缺陷图像中的表面缺陷区域和背景区域的分离,并得到凸显表面缺陷(目标)的显著性(前景)映射图,最后对显著性(前景)映射图进行后处理来进一步地提高表面缺陷(目标)的完整性和均匀性,进而通过对高质量的显著性(前景)映射图进行阈值处理来实现对钢板表面缺陷图像的分割。三、提出一种基于判别性稀疏表示的钢板表面缺陷图像分类方法由于受钢板轧制工艺和外部环境的影响,使得同类别的钢板表面缺陷之间存在着差异性,不同类别的钢板表面缺陷之间存在着关联性。针对传统的钢板表面缺陷图像分类方法所存在的图像特征矢量提取困难、分类精度不高等问题,本文提出一种基于判别性稀疏表示的方法来对钢板表面缺陷图像进行分类。根据钢板表面缺陷图像的“类内差异性”和“类外相似性”的特点,提出一种基于专有和共享联合字典的判别性字典学习方法,通过对字典学习过程施加结构非相干和Fisher判别性约束,使得学到的专有子字典用来表征对应类别的钢板表面缺陷图像的专属特性以及学到的共享子字典用来表征不同类别的钢板表面缺陷图像的共有特性。将不同类别的专有子字典和共享子字典组合起来所构成的字典不仅具有优良的类别重构力和表达力,而且还具有优良的类别判别力和区分度。因此,将钢板表面缺陷图像通过该字典进行稀疏表示所得到的稀疏编码(系数)矢量具有很强的类别重构力和类别判别力,进而通过学到的判别性字典中的不同子字典与对应的判别性稀疏编码(系数)矢量的重构误差来实现对钢板表面缺陷图像的分类。四、搭建一个钢板表面缺陷在线检测实验平台通过选择合适的硬件设备来搭建一个钢板表面缺陷在线检测实验平台,并通过该实验平台对本文提出的钢板表面缺陷图像的筛选、分割和分类等检测方法的有效性和高效性进行在线地检测实验。实验结果进一步地表明本文提出的钢板表面缺陷图像检测方法不仅能够提高对钢板表面缺陷图像的检出率和识别率、降低对钢板表面缺陷图像的漏检率和误检率,而且对钢板表面缺陷图像的多样性、随机性和复杂性都具有良好的鲁棒性。