随着机器视觉技术的发展,基于图像的检测技术不断用到工业生产中,近些年来由于薄钢板零部件的加工量大大增加,基于图像的钢板表面缺陷检测研究成为了众多领域研究的热点,由于钢板表面的缺陷种类繁多,传统检测技术已经不能满足人们对其准确性与高效性的需求。传统的检测方法的准确性和其较低的效率已经不能使人们和社会得到满足。基于机器视觉的表面缺陷检测方法的特点是准确率高,处理速度较快,能够智能处理,是表面缺陷检测的一大趋势。本文以在线薄钢板的表面缺陷为研究对象,运用传统机器视觉检测方法,研究设计了在线薄钢板的表面缺陷检测系统,主要开展以下工作:(1)针对传统的中值滤波和高斯滤波算法在滤除高斯噪声和椒盐噪声时保留图像边缘细节不足的问题,提出了一种基于偏微分中值滤波算法,然后为了增加钢板图像中缺陷目标和背景的对比度,对钢板图像进行了图像增强,通过对直方图均衡化和分段自适应伽马函数转换图像增强算法做对比,选择了分段自适应伽马转换函数对钢板缺陷图象进行图像增强。(2)通过实验验证表明传统的边缘检测和阈值分割技术无法对钢板表面缺陷特征进行很好的分割,最后提出了基于像元搜索改进的阈值分割算法,结果发现该算法完美的解决了边缘检测纹理细节保存和抵抗噪声的能力的协调问题。(3)在传统的HOG特征提取的基础上引入了信息熵加权和PCA特征降维对传统的HOG特征提取算法进行了改进,通过实验验证表明该算法有效性和适用性显著提高,最后用支持向量机对提取的缺陷特征信息进行训练和识别分类。(4)对薄钢板表面缺陷检测系统进行研究,选择了检测系统所需要的硬件设施,最后在交互界面显示缺陷检测分类结果。