热轧带钢是一类重要的钢铁产品,在制造领域具有非常广泛的应用。在热轧带钢生产过程中,由于轧制设备性能衰减、生产工艺波动等因素的干扰,热轧带钢表面出现夹杂、翘皮、划伤等不同类型的表面缺陷,给企业带来了很大的经济损失。钢铁企业传统的人工检测方法无法满足快节奏生产的要求,采用表面检测装置的检测结果又无法完全满足实际需求。本文结合近年来在人工智能研究领域迅速崛起的深度学习方法,将深度学习领域中的卷积神经网络技术应用到热轧带钢表面缺陷识别问题中。主要研究工作如下:1)综述了热轧带钢表面缺陷检测、深度学习、卷积神经网络的国内外研究现状。分析了工检测和设备检测方法面临的一些问题。2)深入研究了卷积神经网络与经典人工神经网络相比具有的特点及前向传播、反向传播的传导计算过程。总结了训练卷积神经网络过程中需要注意的相关问题和防止训练过拟合的几种有效方法。3)针对十类热轧带钢常见表面缺陷,构建了图片样本数据库,针对此数据库,建立了改进的卷积神经网络模型,使用GPU和cuDNN加速机制进行了模型测试,取得了令人满意的分类效果。4)提取训练好的卷积神经网络模型高层特征为特征向量进行热轧带钢表面缺陷图片的检索。此方法无需人工设计特征描述算子,直接学习图片的特征,更具鲁棒性,而且检索精度也很高。5)以实际需求为背景,以卷积神经网络模型为核心,设计并开发了基于卷积神经网络的热轧带钢表面缺陷分类与检索系统。系统采用Matlab GUI制作前台用户界面,基于深度学习库MatConvNet构建卷积神经网络模型,采用GPU和cuDNN加速框架进行网络训练。系统可为用户提供模型训练、预测分类、图像检索三个核心功能。通过实际问题的应用,使模型和系统得到了验证,结果表明系统操作方便,符合实际生产要求,能为用户带来有效帮助。