带材是金属工业的主要产品之一,被广泛用于航空航天、汽车制造、电子电气、建筑等产品领域中,随着我国经济的快速发展,其需求量日益增大。但金属带材在生产的过程中,由于生产的环境、设备、工艺等因素,会导致成品表面出现难以忽略的缺陷。不仅影响产品的美观,而且产品的性能也会受影响,使之在后续使用中造成严重的事故。因此,如何准确、高效的检测时出金属带材表面的缺陷,已经成为金属压延工艺中需要关注的问题。基于机器视觉的表面缺陷检测方法采用计算机模拟人类视觉,从客观图像中提取有用的信息,然后进行图像处理及模式识别,从而实现缺陷检测。检测系统中关键技术是图像处理和缺陷识别的智能算法,其质量决定着整个检测系统的性能。因此,本文针对金属带材表面缺陷检测问题中的图像处理、缺陷检测和缺陷分类算法进行了研究。本文研究内容如下:(1)金属带材表面缺陷图像的处理研究。在研究传统图像增强方法的基础上,根据金属带材表面缺陷图像易出现非均匀区域的特点,提出一种金属带材表面缺陷图像增强方法。该方法可以减少因材料表面反光所产生的噪声对图像分析所带来的影响,提高了缺陷区域与背景区域的灰度对比度。(2)金属带材表面缺陷图像的缺陷检测研究。基于处理后的灰度图像,比较了几种阈值分割方法,通过实验对比采用最大相关准则分割方法。最后通过最小外界矩形方法标记和分割出缺陷区域。(3)金属带材表面缺陷图像的分类研究。通过对现有缺陷分类技术进行分析,采用基于深度学习的方法进行缺陷识别,并着重研究了胶囊网络算法。针对胶囊网络的不足,本文对训练参数量、网络结构、网络收敛速度进行了研究,设计了一款基于改进胶囊网络的金属带材缺陷识别分类器。在铜带和钢带图像的实验结果表明,本文提出的金属金属带材缺陷图像增强和分割方法,不仅提高了缺陷图像的对比度和熵,而且取得了最优误分割率的二值图像。本文所提出的分类方法使缺陷分类准确率达到97%以上。