基于matlab的钢板表面缺陷分类与测量系统GUI界面
【缺陷检测】计算机视觉，含GUI界面
（1）依据金属表面缺陷图片的特性，对图片进行适当的灰度变换(对比度增强与滤波处理)；
（2）对金属表面缺陷图片进行全局优化阈值分割；
（3）提取二值图片区域边界坐标；
（4）对金属缺陷进行特征提取；
（5）对金属缺陷进行分类有监督训练；
（6）完成对金属缺陷类型的判断与位置大小的计算；
（7）完成金属缺陷检测的GUI设计。

本代码主要功能是实现金属表面三种缺陷的检测、分类及测量，并使用GUI进行封装以便于用户使用。
该GUI可以导入电脑中的灰度图片，之后进行处理，能确定缺陷的种类，将检测到的缺陷标注在原图上，并能够测量不同缺陷的大小(不同缺陷衡量标准不同)。

以下文字及示例代码仅供参考

以下是一个基于 MATLAB 的钢板表面缺陷分类与测量系统 的完整设计方案，包含图像处理、特征提取、分类识别、尺寸测量等模块。该系统可用于工业质检中自动识别和分析钢板表面的常见缺陷（如裂纹、凹坑、氧化皮、划痕等）。

---

🧾 系统目标

• 实现对钢板表面图像中缺陷的 自动识别与分类
• 对缺陷进行 尺寸测量（面积、长度、宽度）
• 提供可视化界面（GUI）
• 支持批量处理图像或视频流

---

✅ 功能模块设计

模块	功能描述
图像预处理	去噪、增强对比度、二值化
缺陷检测	通过阈值分割或边缘检测提取缺陷区域
特征提取	提取形状、纹理、颜色等特征
分类识别	使用机器学习模型（如SVM/KNN）进行缺陷分类
尺寸测量	计算缺陷面积、长宽比等参数
GUI 显示	显示原始图、处理结果、分类信息、测量数据

---

📌 示例代码结构（基于 MATLAB）

1. 图像预处理

% 读取图像
img = imread('steel_defect_01.jpg');

% 转为灰度图
grayImg = rgb2gray(img);

% 直方图均衡化增强对比度
enhancedImg = histeq(grayImg);

% 自适应中值滤波去噪
denoisedImg = medfilt2(enhancedImg, [3 3]);

% 阈值分割
level = graythresh(denoisedImg);
binaryImg = imbinarize(denoisedImg, level);

% 形态学操作去除小噪声
se = strel('disk', 2);
binaryImg = imopen(binaryImg, se);

---

2. 缺陷区域提取与测量

% 连通区域标记
cc = bwconncomp(binaryImg);
stats = regionprops(cc, 'Area', 'BoundingBox', 'MajorAxisLength', 'MinorAxisLength', 'Centroid');

% 设置最小面积阈值
minArea = 50;
defects = [];

for i = 1:cc.NumObjects
    area = stats(i).Area;
    if area > minArea
        defects(end+1) = stats(i);
    end
end

% 可视化缺陷边界框
figure;
imshow(img); hold on;
for i = 1:length(defects)
    rectangle('Position', defects(i).BoundingBox, 'EdgeColor','r','LineWidth',2);
end
title('检测到的缺陷区域');
hold off;

---

3. 特征提取（示例：面积、主轴长度）

features = [];
for i = 1:length(defects)
    f = [defects(i).Area, defects(i).MajorAxisLength, defects(i).MinorAxisLength];
    features = [features; f];
end

---

4. 缺陷分类（使用 SVM 分类器）

准备训练集（可使用 Classification Learner 工具箱）

% 加载训练好的分类模型（假设已保存为 model.mat）
load('svm_model.mat'); % 包含 trainedClassifier

% 预测类别
predictedLabels = predict(trainedClassifier, features);

% 显示结果
disp(['预测缺陷类型：', predictedLabels']);

---

5. 尺寸测量（像素转实际单位）

% 假设图像分辨率为 100 像素/毫米
scaleFactor = 100;

% 计算缺陷大小
for i = 1:length(defects)
    area_px = defects(i).Area;
    major_len_px = defects(i).MajorAxisLength;
    minor_len_px = defects(i).MinorAxisLength;

    area_mm2 = area_px / (scaleFactor^2);
    major_len_mm = major_len_px / scaleFactor;
    minor_len_mm = minor_len_px / scaleFactor;

    fprintf('缺陷 %d：面积=%.2f mm²，长=%.2f mm，宽=%.2f mm\n',...
            i, area_mm2, major_len_mm, minor_len_mm);
end

---

🛠️ GUI 设计建议（使用 App Designer）

你可以创建一个图形用户界面，包含如下控件：

控件	功能
按钮 “打开图像”	打开图像文件
按钮 “开始检测”	启动缺陷识别流程
图像显示区域	显示原图、处理结果
表格	显示每个缺陷的分类和测量结果
文本标签	显示总缺陷数、平均大小等统计信息

---

📦 完整系统架构图示意

输入图像 → 图像预处理 → 缺陷分割 → 特征提取 → 分类识别 → 尺寸测量 → 输出结果 + GUI显示

---

🔍 可扩展方向

• 加入深度学习分类器（如 CNN）提高识别精度
• 支持多光谱图像输入（红外、紫外等）
• 实时视频流检测（结合摄像头）
• 数据库存储检测结果
• 导出报告功能（PDF 或 Excel）

---