我国是地壳中镁含量最多的国家之一。在各种镁合金材料中,镁薄板由于其优异的性能在日常生活和工业生产中的应用越来越广泛,而轧制镁薄板出现的缺陷问题,也成为不少企业难以忽视的存在。为了减少镁材料的浪费、降低企业损失,需要在尽可能早的时间里发现缺陷并找出缺陷所属的类别,以更改轧机参数。传统的缺陷检测方法,大都先对收集到的镁薄板缺陷图片进行特征提取,然后输入到各种分类器如SVM、贝叶斯、传统人工神经网络中,这些算法由于前期需要进行大量的人工特征提取工作,算法效率相对较低,且准确率不太理想。近年来,随着深度学习理论的不断成熟,各种基于深度学习算法的应用在各个领域层出不穷,卷积神经网络作为目前计算机视觉领域最有效的分类算法之一,在物体分类领域的应用不断扩大。为此本文开展了一系列基于深度学习的镁薄板缺陷分类算法研究。本文基于Tensor Flow研究镁薄板缺陷分类的卷积神经网络及其算法。卷积神经网络由于其算法的特殊性,即将局部连接、参数共享、下采样三者结合自动提取各种类别的特征,全程无需人工干预,而影响卷积神经网络缺陷分类准确率的关键在于卷积神经网络的设计。近年来经典的卷积神经网络,由于参数太多导致训练速度过慢,不太适合实验室研究的需求,对此本文将两个经典的卷积神经网络模型Le Net-5和Alex Net结合,并在此基础上做了不同程度的改进。由于本文提取到的缺陷样本相对较少,直接采用卷积神经网络进行训练并不能达到预期的效果,对此本文在卷积神经网络模型的基础上加入了迁移学习的策略,实验测试结果表明,本文设计的基于迁移学习的卷积神经网络对镁薄板缺陷的分类准确率达到96.0%,与不加入迁移学习机制相比,准确率提高了4%,说明迁移带来的是正向迁移,符合预期,相对于其它传统机器学习算法有一定幅度的提升,并且算法真正实现了端到端的学习,达到了一定意义上的机器智能。