在钢材制造过程中,一方面由于机器质量、人为误操作等因素,导致工业产品表面缺陷问题难以避免,为了保证产品自身的价值,必须及时处理这些缺陷。另一方面,深度学习方法已被证明在图像处理的各个领域都优于传统的机器视觉方法。而钢材生产环境中有限的资源配置与深度学习中庞大的神经网络模型之间却存在着相互制约的关系,导致难以将这些神经网络模型应用在钢材质检流程中。对于深度学习而言,模型的好坏取决于训练数据的规模大小。在钢材表面缺陷检测场景下,若模型采用单点训练的方式,首先可能没有足够的训练数据,影响模型整体性能。其次,单点环境中可能存在缺陷类型不足的情况,导致模型泛化性能降低。而分布式协作学习的出现解决了这种困难,通过联合多个参与者来共同参与训练,在减轻机器负载的同时也在一定程度上增加了模型的泛化性。但是在分布式协作学习的场景下时,模型参数在聚合传输的过程中可能具有一定的安全隐患。为了防止模型的权重参数遭到恶意窃取,因此需要对模型自身的隐私安全加以保护。本文研究面向钢材表面缺陷检测场景的具有安全保护能力的轻量化网络模型,主要研究内容分为以下两个方面:（1）针对资源受限的工业环境无法承受庞大深度学习模型的问题,本文构建出一种面向钢材表面缺陷检测场景的轻量化网络模型MG-Net,该模型在减轻资源受限环境负载压力的同时仍然具有良好的检测性能。通过在模型深层网络中增加高效置换卷积层,来降低模型整体计算量。同时调整加强特征提取网络中有效特征层的层次组合,使其能够提取到更多的浅层信息来尽可能弥补钢材表面缺陷目标尺度过小的问题。实验证明,相较于基线模型,本文构建的网络模型缩减了近20%的模型尺寸。同时,该网络模型在NEUDataset数据集上实现了87.19%的检测准确率,FPS达到33,可以快速准确地检测出多种钢材表面缺陷。（2）针对模型在面向钢材表面缺陷检测场景下进行分布式训练时可能存在的隐私安全问题,本文提出一种基于差分隐私技术的LRDD算法。当模型在分布式协作学习的场景下训练时,各参与者可利用本文所提算法对上传的权重参数进行更加灵活的加噪处理。实验证明,与DPSGD算法相比,在隐私预算为4时,本算法实现了2.5%的检测性能提升,同时模型的检测准确率达到了83.2%,可以更好地适配钢材表面缺陷检测的工作场景,实现了在模型隐私性与模型可用性之间更好的权衡。