中国一直是世界上最大的钢铁生产国。2019年,中国的粗钢产量为9.95亿吨,钢材产量为12.05亿吨。2020年,中国粗钢产量为10.53亿吨,同比增长5.2%;钢材产量为13.2489亿吨,增长7.7%。钢铁产业作为中国非常重要的基础产业,在经济建设、社会发展等方面都发挥着极其重要的作用,然而生产工艺的不完善和生产设备的落后,都有可能导致钢材表面在生产的过程中产生缺陷。表面缺陷影响产品外观,也会在一定程度上地降低钢材产品的耐腐蚀性和疲劳强度。所以检测钢材的表面缺陷,对钢材生产企业乃至整个社会都具有十分重要的意义。随着图像处理,机器视觉以及神经网络等理论的完善和发展,基于机器视觉的钢材表面缺陷检测技术成为人们研究的重点。本课题对钢材表面缺陷图像处理算法以及深度学习算法进行了较为深入的研究。主要研究内容如下:（1）对图像处理算法与深度学习算法进行了研究,总结了关于图像处理算法与深度学习算法的现有成果,分析了当前研究存在的局限性。（2）针对钢材表面缺陷图像中光照不均匀的问题,提出一种多层处理策略的光照不均匀图像处理算法,该算法首先通过形态学处理与目标背景差异化对图像进行了灰度矫正;之后利用Retinex算法对图像进行处理;最后利用改进的自适应阈值分割算法生成二值图像。通过实验对比了多种图像算法的处理效果,实验结果显示,该算法对光照不均匀的图像有较好的处理效果,能够有效地消除光照不均匀的影响,并且能准确地分割缺陷目标与背景。（3）针对深度学习算法进行目标检测时,结构信息减少导致检测精度低的问题,提出一种特征融合与级联检测网络的Faster R-CNN算法。该算法在传统Faster R-CNN算法的基础上,对主干网络与检测网络进行了改进。在主干网络部分,采用VGG-16作为特征提取网络,并对VGG-16进行了特征融合。该方法减少了主干网络在特征提取时图像结构信息的减少;在检测网络部分,通过级联2个Io U阈值不同的检测网络,提高算法的检测精度。在NEU-DET数据集上对算法进行训练,得到不同的检测模型。对检测模型的检测性能进行了测试,实验结果表明,最佳检测模型能有效地提高钢材表面缺陷的检测精度,并且不影响检测速度。（4）搭建钢材表面缺陷检测系统,对软件功能需求进行分析,完成系统软件的开发。通过现有硬件与开发软件的结合,实现了钢材表面缺陷检测。