钢板表面质量对工业生产意义重大,当前,国内对高质量钢板的需求不断提升,现有的钢板表面缺陷在线检测技术越来越难以满足生产需求。而基于深度卷积神经网络的视觉算法显著优于传统视觉算法,这为视觉任务的改进实现提供了新思路。因此,有必要使用深度卷积神经网络新技术,进行钢板表面缺陷在线检测算法的研究。钢板表面缺陷在线检测算法的核心包括图像筛选和缺陷检测,本文利用新技术重点针对这两部分进行研究,并以此提出基于深度卷积神经网络的钢板表面缺陷在线检测算法,主要的研究内容与创新如下:(1)针对图像筛选任务,提出一种基于深度卷积神经网络的Res Net50图像筛选改进算法。本文首先根据模型原理和任务需求构建Res Net50基础模型,然后设计使用隐藏层和Dropout网络层更改基础模型的全连接层结构从而得到新模型,并通过实验探索发现有效提升Res Net50新模型筛选精度的改进方法,包括Adam优化算法,以及水平翻转、垂直翻转和亮度抖动三种数据增强方法。通过实验验证,最终改进模型的图像筛选的准确率达到0.9925,而精确率和召回率的调和平均数F1-score达到0.9685。(2)针对缺陷检测任务,提出一种基于深度卷积神经网络的Faster R-CNN缺陷检测改进算法。本文首先根据模型原理和任务需求构建Faster R-CNN基础模型,然后使用更好的Res Net50网络、特征金字塔网络(Feature Pyramid Networks,FPN)和Ro I Align结构更改了Faster R-CNN的模型实现,同时经过实验探测确立了有效优化新模型的方法,包括预设锚框调整,在线难例挖掘(Online Hard Example Mining,OHEM),以及水平翻转、垂直翻转、亮度抖动和“随机游走”四种数据增强方法。其中,根据钢板图片背景相似的特性设计了“随机游走”离线数据增强算法,算法通过对缺陷随机提取,并用边界渐变过渡的方式进行合理填充,实现数据扩充。实验结果显示,最终改进模型的缺陷检测平均精度均值(mean Average Precision,m AP)达到0.708。(3)根据传统检测系统原理,联合使用改进的Res Net50和改进的Faster R-CNN模型,设计并实现基于深度卷积神经网络的钢板表面缺陷在线检测算法。实验结果表明,本文提出的钢板表面缺陷在线检测算法能在满足82FPS的实时检测速度条件下,可以达到0.696 m AP的较高检测精度效果,验证了本文所研究算法的有效性。