目前机器视觉检测技术因其非接触性、灵敏度高和响应快等优点被广泛应用于各行各业。冷轧极薄带钢是冶金企业的主要产品,是应用于汽车外壳、国防、建筑结构和各种电子器件的主要原料。为追求高成品率、合格率、优质率的冷轧极薄带钢,对其表面缺陷正确检测与分类已成为当今研究热点。本文结合生产实际,从形态复杂多样的带钢表面缺陷入手,实时完成缺陷的分割与识别。主要研究内容如下:1.实时采集、处理硬件系统分析。针对高速运行的冷轧极薄带钢进行明暗域照明配置实现不漏检,并根据实际检测环境搭建冷轧极薄带钢缺陷检测装置。2.实时带钢缺陷判断。冷轧极薄带钢高速运行下,采集图片的数据量高达几百兆,为减轻后续准时处理工作量进行图像疑似缺陷判断、保存。并在软件系统上验证它的有效性和准确率。3.带钢缺陷改进分割。针对带有噪声、弱对比度的冷轧极薄带钢特有缺陷的产生、危害及处理措施进行分析,在前人阈值分割算法的基础上改进、创新。分解二维Otsu分割算法的二维直方图分别求取阈值,为改善分解时忽略的边缘及其噪声影响,在像素邻域灰度直方图上引入平衡因子,并将本文改进算法与量子粒子群双阈值分割算法、传统二维Otsu分割算法的分割结果进行对比分析。4.带钢缺陷聚类、标记。分析分割后各缺陷形态,针对一些分布零散的缺陷影响后期识别分类个数,增大工作量,导致分类准确率降低的情况,引入新的聚类合并方法,并用矩形框进行标记。5.改进组合分类器识别带钢缺陷。针对冷轧极薄带钢表面缺陷,验证分析缺陷特征提取与降维,改进运用于小样本、非线性、高维模式识别特点的传统支持向量机,利用粒子群优化算法结合交叉验证自动选取最优参数。为解决单个分类器对缺陷样本依赖性大,分类准确率不高的情况,组合改进支持向量机、优化BP神经网络及概率神经网络进行识别分类。