我国虽然是钢铁生产大国,但国内钢板表面缺陷检测技术发展落后,大多数中小企业仍旧停留在人工目测阶段。因此,开发具有自主知识产权的表面缺陷检测系统势在必行。热轧钢板由于其恶劣的生产环境,使其受外界干扰程度加大,对基于机器视觉的检测及识别的技术要求更高。在这个背景下,本文针对某钢铁企业的热轧生产线,对钢板表面缺陷检测系统的关键技术做了深入的研究。在图像预处理阶段,本文首先针对由线阵CCD得到的光照不均图像进行了灰度修正,使整幅缺陷图片的灰度达到同一范围,增强了缺陷对比度。其次,以峰值性噪比作为评判指标,研究了几种常用滤波算法在缺陷图像中的应用,并以平滑效果较好的高斯滤波作为预处理滤波算法。在图像分割阶段,本文分析了几种经典边缘检测算子和基于梯度阀值的方法,针对上述分割效果无法达到预期目标的问题,提出了改进的自适应小波边缘检测新方法。实验证明,该方法能够较好的检测缺陷边缘,而且对噪声有一定的抑制作用。针对钢板表面缺陷特征提取问题,本文首先提取了包括形态特征、灰度特征和纹理特征的43维特征,然后采用Fisher准则结合PCA主成分分析的方法对特征向量进行降维。依据Fisher比值选择33维特征,最终通过主成分分析选择累计贡献率达到95%的16维特征作为分类器的输入。BP神经网络和支持向量机(SVM)是模式识别领域的两种常用分类算法,本文首先设计了基于这两种方法的分类器用于钢板表面缺陷识别,为解决这两种方法分类准确度和分类时间无法达到要求的问题,本文将二叉树支持向量机(BT-SVM)引入热轧钢板表面缺陷检测系统,设计了基于类间距离和超球体半径的两种二叉树结构,同时进一步提出了基于模糊相关度的二叉树结构设计新方法,使分类准确度,尤其是分类速度得到了明显的提高。采用VC++6.0结合OpenCV开源图像处理算法库,开发了基于机器视觉的钢板表面缺陷检测系统,测试结果表明该系统的性能较好。