表面缺陷是影响金属板带产品质量的重要因素之一,国内板带材产品用户质量异议事件很大一部分归因于表面缺陷。基于机器视觉的表面检测系统可以对表面缺陷进行在线检测和实时反馈,已成为现代钢铁企业主要的检测手段。目前基于机器视觉的表面检测系统面临的主要难题是缺陷识别率较低,如何在满足在线检测速度的前提下进一步提高缺陷的识别率是一个重要研究内容。特征提取的好坏直接影响表面检测系统的应用效果,因此寻求有效的特征提取方法是提高缺陷识别率的关键。金属表面缺陷在不同方向和不同尺度上具有不同的信息量,缺陷的整体轮廓和几何形状等信息主要表征在图像的粗尺度上,局部边缘和灰度突变点等细节信息则主要体现在图像细尺度上,因此提取表面缺陷的多尺度和多方向信息对于提高缺陷识别率非常重要。多尺度几何变换比小波变换具有更多的方向选择性且基函数满足各向异性的尺度关系,在描述高维信号时能以更少的系数、更优的逼近阶逼近信号奇异处。因此本文针对酸洗带钢、中厚板、铝板等4种金属表面缺陷检测的特点,开发了相应的基于多尺度几何变换的检测算法。本文主要研究内容与创新成果如下。(1)针对酸洗带钢生产线运行速度快、图像背景简单、缺陷种类少的特点,提出基于 Contourlet 变换和 KSR(Kernel Spectral Regression)降维的Contourlet-KSR特征提取方法。通过Contourlet变换对图像进行多尺度、多方向分解,并对分解得到的子带提取统计特征,采用KSR非线性降维算法去除冗余特征,将得到的低维特征输入分类器进行分类识别。与几种常用的特征提取算法进行了对比,Contourlet-KSR方法对酸洗带钢缺陷识别率达到了96.76%,比小波方法、局部二值模式方法、幅值谱方法分别提高了 3.05%、15.66%、5.14%。(2)针对Contourlet变换方法进行下采样操作导致的图像信息丢失问题,提出 了改进 Contourlet 变换方法 ICT(Improved Contourlet Transform),在此基础上,提出ICT-KSR特征提取方法,并应用于中厚板表面缺陷识别。对Contourlet变换方法进行了如下改进:在多尺度分解时采用了非子采样的金字塔滤波器NSP(Non-Subsampled Pyramid),用来消除了尺度分解带来的频率混叠和信息丢失,然后将图像输入到双通道方向滤波器组DFB(directional filter banks)中进行方向分解。ICT-KSR方法对于中厚板每类缺陷的识别率均达到了 97.62%以上,整体识别率达到了 99.21%。(3)针对铝板图像对比度低、缺陷细小、干扰因素多等难以识别的特点,提出基于NSST(non-subsampled shearlettransform)特征提取方法。对铝板样本图像进行对比度拉伸处理,再利用NSST对图像进行水平锥和垂直锥子带分解,对得到的各个子带系数提取均值和方差统计特征并组成NSST特征矩阵,再利用非线性降维算法去除提取的冗余特征,最后将低维特征矩阵和类别标签数据输入分类器中进行缺陷识别。该方法对铝板表面缺陷识别率达到了 97.92%。(4)针对连铸坯生产线运行速度慢、图像背景复杂、干扰因素多等特点,提出了 DNST(discrete non-separable shearlettransform)与 GLCM(gray level co-occurrence matrix)纹理特征融合的提取方法。对连铸坯样本进行DNST分解,提取各个子带的统计量,再对连铸坯样本计算灰度共生矩阵并提取能量、熵、惯性矩等5个纹理参数,对这5种纹理参数分别计算均值和方差统计量,将DNST与GLCM两者的统计特征进行连接组成特征融合矩阵,利用非线性降维算法得到用于分类的特征。该方法对连铸坯缺陷的整体识别率达到了96.37%,裂纹识别率达到了 95.50%。(5)利用复剪切波变换(complex shearlettransform,CST)具有相位信息的特点,提出了基于复剪切波变换的缺陷区域提取算法,在带钢表面夹渣和铝板表面划伤图像上进行了测试,该算法可以准确地提取带钢夹渣缺陷和铝板划伤缺陷区域。针对连铸坯表面缺陷识别的特点,提出了基于CST的特征融合方法,得到连铸坯缺陷的识别率为95.97%。