钢铁已经被广泛的应用于人类生活的各个领域,例如军事,车辆制造,航空航天,高层建筑和一些常见的日用品。因此,钢材的生产过程中的质量检测是非常重要的,而钢材的表面瑕疵检测则是钢材质量检测中至关重要的一个环节。目前,传统的金属瑕疵检测中主要有两类方法,一类采用人工筛选的特征来进行检测,而人工选取特征需要花费大量的时间,且选取到的特征也很难运用到其他领域中去,检测出来的准确率也比较低。另外一类则是采用深度学习和计算机视觉结合的方法来检测瑕疵,这些方法能够取得一些比较好的效果,但是钢材表面的瑕疵具有瑕疵小,形状不规则,极端长宽比等特点,而且钢材瑕疵样本的采集比较困难,数据集样本不容易获取,一些常见的深度学习方法往往不能很好的直接运用到钢材表面瑕疵检测中去。针对上述的一些缺陷和问题,本文在钢材瑕疵检测算法上进行了以下两个方面的研究:（1）采用了带有深度卷积的生成对抗网络和循环生成对抗网络用于钢材表面瑕疵样本的数据增强。在实际的钢材生产中,钢材表面瑕疵图片的获取往往是比较困难,基于深度学习的钢材瑕疵检测方法对于数据量需求比较大,而模型泛化迁移能力的下降主要原因之一就是模型训练的数据量太少,过少的数据量同时也非常容易导致训练模型时出现过拟合现象,降低瑕疵检测模型的鲁棒性。本文采用生成对抗网络来生成新的钢材表面瑕疵图像样本,这些生成的新样本相较于原始的瑕疵样本在图像上有些许细微变化,新的样本被提取的某些特征是原始瑕疵相应特征的对应,只是在空间域进行某种位移、形变或者旋转。从总体上来看,这些新产生的样本对原始瑕疵数据集进行了扩增,并且引入了一些随机的扰动,增加了瑕疵样本的多样性有效提高了模型的检测能力和泛化能力。（2）在Faster R-CNN的基础上,实现了一个钢材瑕疵检测模型Steel Defect Net,新的检测模型主要分为两个阶段,第一阶段提取目标图像的感兴趣区块的特征,然后将这些感兴趣区块的特征送入后面的位置回归和类别分类的网络进行预测,最后得到待预测瑕疵的位置和类别。新的瑕疵检测模型针对瑕疵样本不规则的特点,采用了多层感兴趣区域映射融合,对不同特征层的特征映射时采用了融合的方法,这提高了模型的检测不规则瑕疵和极端长宽比瑕疵的能力。最终实验表明,新的模型在准确率上相对于传统的瑕疵检测算法Faster R-CNN和YOLOV4有了比较大的提升。