شرکت فولاد مبارکه ی اصفهان بزرگ ترین تولید کننده ی فولاد در ایران است. در این شرکت، نظارت بر بخش های مختلف، مانند واحد گندله سازی، به منظور افزایش کیفیت و کاهش هزینه های احتمالی، توسط نیروی انسانی انجام می شود. در واحد گندله سازی، گندله ها برای پخت و خشک شدن بر روی پالت هایی با عرض 150 و طول 360 سانتی متر، قرار می گیرند. پالت ها طی چرخه ای وارد کوره شده و در اثر حرارت بالا، گندله ها خشک و پخته می شوند. روی سطح هر پالت، با چهار ردیف 90 تایی گریت بار پوشانده شده است. گریت بارها به مرور زمان در اثر دمای بالا و تغییرات ناگهانی دما و همچنین فشار و ضربه ای که بر اثر ریختن گندله ها بر روی آن ها وارد می شود، آسیب می بینند. خرابی های ایجاد شده باعث ایجاد فضای خالی مابین گریت بارها شده و این امر منجر به بروز مشکلات و خساراتی در واحد گندله سازی می شود. به منظور جلوگیری از خسارات، لازم است خرابی های ایجاد شده بر روی گریت بارها مشاهده شده و گزارش شوند، تا در صورت لزوم نسبت به تعویض پالت اقدام شود. به همین دلیل پالت ها نیاز به مراقبت و نظارت دائمی دارند. هم اکنون این کار توسط نیروی انسانی انجام می شود. در این پایان نامه، روشی برای کشف خودکار عیوب گریت بارها بر روی سطح پالت ها، ارائه شده است. برای این منظور از تصاویر رنگی اخذ شده از پالت ها استفاده می شود. ابتدا ناحیه ی مربوط به پالت توسط سه الگوریتم پیشنهادی از تصویر جدا شده و پالت به چهار قسمت به طوری که هر قسمت شامل یک ردیف گریت بار باشد، تقسیم می شود. سپس در تصویر یک ردیف گریت بار، فاصله ی مابین هر دو گریت بار مجاور که به آن شیء گفته می شود، از مابقی تصویر جدا می گردد. برای این منظور از چهار روش استفاده می شود که عبارتند از: جداسازی توسط اطلاعات آماری رنگ تصاویر، جداسازی توسط الگوریتم k-means، جداسازی توسط الگوریتم k-means محلی و جداسازی با استفاده از فرایند چند مرحله ای. بعد از پیدا شدن محل دقیق هر شیء در تصویر، به تعداد 103 ویژگی، مربوط به شکل و رنگ اشیاء از هر شیء استخراج می شود. سپس با استفاده از رگرسیون لوجیستیک از میان 103 ویژگی استخراج شده، 33 ویژگی موثرتر انتخاب شده و در نهایت اشیاء بر اساس ویژگی هایشان و توسط طبقه بندی کننده ی svm، به دو دسته ی سالم و معیوب طبقه بندی می گردند. بدین ترتیب انواع خرابی با دقت بالا کشف شده و همچنین محل آنها نیز در سطح پالت مشخص می شود.