1、近年來，隨著大量經典的線性學習算法通過引入核函數實現非線性化以來，基于核的機器學習方法（簡稱核方法）取得了飛速發(fā)展，目前已成為機器學習領域的研究熱點之一。帶鋼作為汽車、船舶、以及航空航天的重要原材料，其質量好壞直接影響到后續(xù)產品的質量和性能，因此將核方法應用到帶鋼表面檢測具有重大意義。
　　本文將核方法應用到帶鋼表面缺陷檢測和分類的各個關鍵環(huán)節(jié)，并根據實驗數據與傳統(tǒng)的算法進行對比。本文研究內容與成果主要有以下幾個方面:
　　

2、1.研究了帶鋼表面圖像的迭代控制核回歸圖像去噪模型，并與傳統(tǒng)去噪方法進行對比，實驗結果表明，迭代控制核回歸可以在去除噪聲的同時較好的保留圖像的細節(jié)信息。
　　2.針對所提取的帶鋼缺陷圖像幾何、灰度、紋理等高維特征，運用主成分分析和Fisher判別分析以及對應的核方法進行特征降維，并通過可視化進行對比，實驗結果表明基于核的Fisher判別分析降維后對數據具有很好的分類能力。
　　3.針對帶鋼表面的黑斑、劃痕、翹皮、磷化斑、褶皺