人们对制造业生产线的要求越来越高，随着社会现代化工业快速发展以及市场竞争的加剧。不仅要满足高效而且也要保证产品的质量。金属铝在交通运输、工具制造、航天科技应用、人们衣食住行中起着重要的作用，然而在5052铝板生产过程中，由于生产设备陈旧、生产原料批次或质量不同以及生产流程等原因的限制使5052铝板表面产生一些缺陷，正是这些缺陷在很大程度上降低了产品的美观度、抗腐蚀性和耐磨性，并给冷轧5052铝板生产企业带来了巨大的损失。因此，对冷轧5052铝板表面缺陷的检测分类此时显得尤为重要。本文中对冷轧5052铝板表面缺陷进行分类实验的过程中，分别运用了5052铝板支持向量机分类算法和BP神经网络分类算法，通过分析实验结果发现BP神经网络分类方法对冷轧5052铝板表面六种缺陷的总体识别精度不高，分类过程需要时间较长，泛化能力差而且在对分类模型训练时需要很多的缺陷样本，但是该算法对油斑类缺陷的正确分类率较高；支持向量机分类算法对六种缺陷的整体分类正确率较高，但是对于像油斑这样复杂类缺陷识别率却达不到令人满意的效果。为了使冷轧5052铝板表面缺陷整体和单类别的分类正确率都达到较高的水平，本论文中研究了一种基于支持向量机与BP神经网络相结合的分类算法用于对冷轧5052铝板表面的缺陷进行分类。

首先，采用减背景与中值滤波技术进行冷轧5052铝板表面缺陷图像的预处理；其次采用自适应阈值法将缺陷区域从冷轧5052铝板表面缺陷图像中分割出；特征提取时，5052铝板结合目标图像和分割后缺陷图像，提取了灰度特征、形状特征、几何特征三大类特征；训练支持向量机和BP神经网络相结合的分类模型时，BP神经网络隐含层采用一层结构，按照一定的规则通过对比多次实验分类结果设置隐含层节点数；支持向量机选用径向基函数作为核函数，通过交叉验证法确定惩罚因子和核参数，并采用一对一的分类策略进行多种缺陷的分类；支持向量机与BP神经网络相结合的分类模型对测试样本进行分类时，先由BP神经网络分类模型判断测试样本是否为油斑，若为油斑则输出分类结果，若认为是第二类缺陷，则把该样本交由支持向量机分类模型进行细分类，即分为气泡、破皮、刮痕、孔洞、黑线，最终输出分类结果。本论文中对定义的六类冷轧5052铝板表面缺陷进行分类研究，主要是通OpenCV与VC++编程完成相关实验。最终的实验结果验证了支持向量机和BP神经网络相结合的分类算法的分类准确率高并能满足实时性的要求。∧