目前钢板表面缺陷检测技术大多依靠人工目测和传统的机器视觉等方法完成。这些方法存在难以提取缺陷的本质特征、易受外界环境干扰等缺点，这些缺点导致检测精度受到影响。因此，本文研究基于深度学习的钢板表面缺陷处理技术。
　　针对传统方法的缺点，本文引入VGG16网络模型并对其进行改进。首先在网络中加入通道注意力机制，以提高识别精度;其次采用深度可分离卷积替换网络中部分3×3卷积，以减少网络参数量和计算量，增加网络非线性;最后采用LeakyReLu激活函数替换网络中的ReLu激活函数，以解决ReLu激活函数在训练过程中出现神经元死亡的现象。经实验验证表明，改进后的方法对数据集A中的钢板表面中大型缺陷识别的平均准确率可达98％，改进前后提高了约14％，识别效果较好;对数据集B中的钢板表面小型缺陷识别的平均准确率为88％，还有待改进。
　　针对小型缺陷，本文引入了YOLOv3算法并对其进行改进。首先使用K-means方法重新聚类Anchorbox，以获得更加合适的钢板缺陷锚框尺寸;其次在YOLOv3浅层结构中增加残差单元，以获取更多浅层小目标的信息;再次根据缺陷样本的特点，舍弃网络中16倍降采样和32倍降采样的预测层，将4倍降采样与8倍上采样的特征进行融合，建立新的4倍降采样的预测层;最后在ConvolutionalSet模块内引入Inception-v3模块，以增加网络的深度与宽度，提高深层网络的特征提取能力。经实验验证表明，改进后的方法对数据集B中的钢板表面小型缺陷识别平均准确率可达94.1％，改进前后提高了约19％。
　　本文针对钢板表面大中、小型缺陷的处理分别提出了两种方法，具有准确率高、不易受外界干扰以及可以有效的提取钢板表面缺陷的本质特征等优势，在工业上具有很好的应用前景。