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其质量的重要因素,进行带钢表面缺陷检测对于提高其质量具有非常重要的作用。传统的人工检测的方法已不能满足需求,因此研究和开发带钢表面缺陷自动检测系统已经成为钢铁企业的共识。本文研究了基于机器视觉的带钢表面缺陷检测技术和分类技术,提出带钢表面缺陷检测系统的总体方案,对系统的硬件结构和软件结构进行介绍,着重讨论系统的图像滤波方法、图像分割方法、特征选择与提取方法和缺陷分类方法,主要研究内容如下:①根据带钢表面缺陷检测系统的技术要求,提出系统的总体方案。系统采用基于局域网的C/S系统结构,主要由图像采集、图像预处理、特征选择与提取、图像识别四个部分组成。②在对相关图像处理技术进行研究的基础上,设计图像滤波算法、图像分割算法。③讨论系统提取的特征量类型,提出一种基于BP神经网络的特征选择方法。与其它特征选择方法相比,基于BP网络的特征选择方法与分类方法相结合,所提取的特征更有针对性。④研究系统的缺陷分类方法,设计基于BP神经网络的分类器。可以实现非线性复杂运算和高速并行处理,满足带钢表面缺陷的在线分类识别要求。通过实验证明,可以有效的识别带钢表面缺陷类型,识别率达到89%。本文深入研究了图像处理技术、神经网络技术以及模式识别理论在表面检测领域的应用,成功的实现了对带钢表面缺陷的自动检测和识别,能满足带钢生产线的表面缺陷检测要求,具有较高的推广应用价值。