李 锋

（广东交通职业技术学院信息学院，广州 510650）

1 引言

在传统钢材生产中，传统人工检测存在着速度慢、检测标准不统一、检测成本过高等问题。随着智能制造的发展，基于计算机视觉的缺陷检测技术得以兴起并被广泛应用。在实际生产中，钢材表面缺陷检测是衡量质量的重要因素，业界急需更高精度的检测缺陷算法[1]。当前工业界已有很多缺陷检测的相关研究，其中大多数都是基于计算机视觉采集系统完成对图像采集工作，并通过相关技术将缺陷识别检测出来，最后通过图像分析将缺陷进行分类。对于这类技术的应用，在工业界并未得到广泛的推广使用，且分类精度有待提高。

支持向量机在小样本条件下有其自身优势，比如：较强的学习泛化能力、对高维度的识别能力以及有着最低的结构化风险等，能确保实现较为理想的缺陷检测识别率[2-3]。

2 支持向量机基本原理

支持向量机（Support Vector Machine,SVM）算法是Vapnik 等人在统计学习基础上提出的，其核心是让结构化风险最小化，它适于小样本量与高维度，并具有泛化能力强、推广能力强、全局最优等特点。SVM 能在低维非线性模式下转化为线性可分情况，降低运算复杂度，具有良好泛化能力和鲁棒性[4]。在实际数据中，有线性可分与线性不可分两种情况，对此，支持向量机也分为线性支持向量机及非线性支持向量机。而核函数的引入成功解决了非线性可分的问题。

2.1 线性支持向量机

线性支持向量机的原理图见图1。……