随着我国国力的不断增强，制造业整体水平也在飞速提升，以钢铁为主要代表的一系列产品的自动化生产速度已经处于世界领先水平。但是随着制造工艺的不断丰富，以及人们对产品质量的高度关注，如何高效、准确地对产品的表面质量进行评定成为了钢铁制造业生产水平提升的瓶颈问题。
　　传统的人工检测方式非常依赖操作人员的主观意识，而且钢铁产品生产环境并不适宜人类在其中长时间工作。另外，钢材生产线一般都处于高速运转的状态，对于高速运动中的钢材，人眼的特征辨识能力将会被削弱。因此，人工检测的方式已经不能满足如今钢铁制造业的发展需求。随着计算机技术的发展，基于机器视觉的表面检测技术逐渐成为了人工检测的替代方案。
　　机器视觉技术发展至今，其形式多种多样，但其核心检测算法通常依赖于浅层次的机器学习模型，这种模型的使用价值非常依赖人工选取的特征合理性，在面对复杂的分类问题时，有限的特征形式所能带来的分类能力很难满足要求。深度学习作为机器学习的一个分支，其特点在于可通过深层次的网络结构强化模型的特征提取能力。在面对种类复杂，因素繁多的分类问题时，深度学习模型相对浅层学习模型具有更大的优势。
　　本文通过综合考虑各种因素，选择使用卷积神经网络模型作为改进镀锌钢板表面缺陷检测算法的核心模型，替代常规的浅层学习模型。卷积神经网络的优势在于其通过内部交替连接的卷积层和池化层来模拟视觉神经系统的工作模式，以及通过非全连接的结构降低模型的复杂度。从而能够高效地利用丰富的原始图像信息。所以，卷积神经网络在图像识别领域中具有很大的优势。
　　尽管深度学习模型相对传统的浅层学习模型可以实现更强大的特征提取与分类能力，但是在与实际应用相结合时，仍存在诸多方面的障碍。本文通过将深度学习模型与机器视觉系统相结合，提出了一种针对镀锌钢板表面质量缺陷进行检测与分类的模型。并根据实际背景，有针对性地从图像数据的使用、模型软硬件结构设计、模型参数选取等多个方面进行了优化，在充分发挥深度学习算法的优势的同时，保证了模型的高效性。最终经过测试，模型的分类准确度以及分类速度满足了缺陷检测系统的实时性要求。