一、机器视觉检测技术
成像系统方面
利用工业CCD摄像机对钢板表面进行成像。工业CCD摄像机具有高分辨率、高灵敏度等特点，能够清晰地捕捉钢板表面的图像，这是检测钢板表面缺陷的基础。例如，在很多钢板表面缺陷检测系统中，CCD像机在钢板上扫描成像，然后将扫描所得的图像信号经过图像采集卡输入计算机进行后续处理。
LED照明系统为成像提供合适的光照条件。LED光源以一定方向照射到钢板表面上，不同的照明方式（如明场照明、暗场照明或者明暗域结合）可以突出不同类型的缺陷。例如，有的检测系统采用明暗域结合成像光学系统，通过合理的光照布局，使得钢板表面的气泡、夹杂、结疤、划伤和压痕等缺陷能够更好地被成像和检测出来。
图像采集与处理方面
图像采集卡用于获取CCD摄像机拍摄的图像信号，并将其传输到计算机系统中。计算机系统通过图像预处理得到钢板表面缺陷的二值图像，提取二值图像中的几何特征参数，然后再进行图像识别，判断是否存在缺陷。如果有缺陷，则保存图像以便后续分析；若没有，则放弃图像。
采用一些图像处理算法，如基于OpenCV的相关算法。例如利用Opencv进行图像的轮廓检测、凸包检测等操作，这些操作有助于对缺陷的定位和特征提取。在一些基于机器视觉的检测中，会在检测算法之前，进行图像的预处理，检测和定位产品的外轮廓，矫正产品的姿态，这对于后续的算法处理有着重要的意义。
借助深度学习框架，例如利用卷积神经网络算法和U – Net结构，可以准确地检测出钢铁平面的焊接故障，还能评估其严重程度；也可以基于深度学习框架yolov5进行钢铁表面缺陷检测。先在yolov5训练完后，用C++部署训练好的权重和网络模型，然后进行检测。
分类与管理方面
利用数据统计与管理系统。这个系统不仅可以实时对钢板表面缺陷检测，还能提供数据库管理缺陷以及钢板其他信息，为管理人员提供方便的数据统计及报表打印功能，辅助进行钢板质量管理工作。例如有的检测系统可以对钢板表面的气泡、夹杂、结疤、划伤和压痕等主要缺陷进行无损检测，并基于Bayes决策理论，实现缺陷的自动分类功能。
二、系统应对干扰的能力
应对钢板自身变化的干扰
检测系统需要能应对因钢板宽度变化、以及钢板在移动过程中产生的扭曲或倾斜所造成的干扰。例如，一些先进的钢板瑕疵检测系统具备自学习、自适应功能，适合于不同宽度、不同颜色、不同速度的要求，可以适应钢板在生产过程中的各种动态变化，从而准确地检测出表面的瑕疵。
应对钢板表面附着物的干扰
对于钢板表面有油污或水滴所造成的干扰也需要有应对措施。虽然目前没有专门针对这方面措施的详细要求，但一般可以通过优化成像系统（如调整光源角度、强度等）和图像预处理算法（如滤波等操作去除油污或水滴造成的噪声干扰）来减少其对缺陷检测的影响。
