图象处理及识别技术作为一门多学科交叉的新兴技术,在工业生产方面有着广泛的应用前景。本文对带钢表面孔洞缺陷检测系统中的图象处理及识别技术进行了深入的研究,探讨了针对带钢孔洞缺陷图象特点所应采取的策略,提出了定位分割带钢孔洞缺陷的方案以及后续的孔洞特征提取、选择及识别方法,成功地实现了带钢表面孔洞缺陷的实时检测,提高了带钢生产的自动化水平。论文对图象预处理的方法进行了分析,采用图象平滑技术滤除图象中的噪声,使图象得到增强; 讨论了各种边缘检测算子的优缺点,通过优化的边缘算子对图象进行边缘提取; 在边缘提取的基础上,提出了一种基于二值图象的快速聚类方法,实现对孔洞缺陷边缘的聚类,进而得到孔洞缺陷的位置信息,成功地实现了孔洞缺陷的定位分割。详细介绍了特征提取和特征选择原理,提出了一种改进的二值化算法,对具有强烈反光干扰特性的孔洞区域与背景区域进行有效的分离; 对带钢表面孔洞缺陷图象的特征进行了分析,并讨论了特征提取算法; 介绍了对BP 神经网络的网络结构、学习算法等的改进方法,并结合带钢表面孔洞缺陷检测,详细介绍了用改进的BP 网络设计分类器的过程。采用本文研究的算法,对500 幅带钢图象样本(1024×768 象素,256 色)进行孔洞识别,正确识别率在98%以上。对一幅含有5 个约30×50 象素大小的孔洞图象,计算时间在20ms-30ms 之间,能够满足带钢孔洞在线实时检测的需要。该系统在上海宝钢带钢生产线上已经得到了成功的应用,同时该方法对图象识别系统在其它领域中的应用也有一定的指导意义。