钢材表面是否存在缺陷,将会直接决定钢材质量与产品等级。在钢材表面缺陷检测中,由于光电检测与图像处理检测所存在速度慢、准确率低等问题,本文运用深度学习理论与技术,可以实现对钢材表面缺陷高效和准确检测,其主要研究内容有以下几个方面:首先,准备钢材表面缺陷图像数据集。针对无数据集情况,采用网络收集并借助label Img工具标记数据集;针对数据集中缺陷种类多、数据杂,采用可视化方式统计数据,分析各种缺陷分布和尺度特点;针对钢材表面缺陷数据不足情况下,提出一种线上动态增强数据量的方法扩大数据集;提出采用迁移学习方法,弥补数据不足,加快模型训练速度及提高模型泛化能力和精度。其次,改进网络模型架构。针对骨干网络结构和性能不同,借助可视化特征图和网络参数表对比,选择Res Net-50作为骨干网络模型;针对ROI Pooling小目标能力检测能力弱,替换为ROI Align模块,提高微小目标回归框的精度;添加DCN网络模块,加强对不规则缺陷点的提取能力;采用征金字塔思想修改骨干网络结构,加强多尺度缺陷的特征提取能力。此外,改进Faster-RCNN钢材表面缺陷检测算法。针对数据集中的多尺度缺陷,采用K-means算法重新生成5组先验框替代原始先验框,保证回归器对多尺度疵点的回归能力;提出模型分步训练方法,加快训练速度;采用直方图均衡化方式增强,加强测试数据集颜色亮度;提出在Softmax基础上联立Center Loss的方法优化损失函数,提升模型泛化性能。最后,经测试数据集验证,结果表明改进后Faster-RCNN对钢材表面缺陷检测所有缺陷类别的平均精确值和检测速度都得到提高,所有缺陷类别的平均精确值由原始Faster-RCNN模型的73.6%提高到75.1%,检测速度由18帧/s提升到19帧/s。