钢铁在各行各业中具有广泛的用途,包括但不限于建筑、航空航天、机械、汽车。钢铁表面缺陷不仅会影响钢铁表面外观,还会损害耐磨损性、耐高温性、耐腐蚀性和抗疲劳强度。大量的钢铁表面缺陷会导致客户的拒绝,对生产企业来说意味着重大的经济损失,因此,检测钢铁表面缺陷对提升钢铁生产质量非常重要。本文首先介绍了钢铁表面缺陷检测的研究背景和国内外表面缺陷检测的研究现状,指出了已有的钢铁表面缺陷检测方法——基于统计的方法、谱域方法、基于模型的方法以及结合机器学习的方法,进一步介绍了深度学习的研究现状,介绍了论文的研究内容及组织架构,明确了本文主要是基于深度学习中的目标检测网络对钢铁表面缺陷检测进行研究。接着,详细介绍了深度学习和目标检测相关的基础知识,包括深度学习的由来、深度卷积神经网络的基本组成结构与作用方式以及目标检测的发展脉络与评价指标,对课题所用的钢铁表面缺陷数据集进行了缺陷数量和尺度大小的分析,对其进行了训练集与测试集的划分并对训练集进行了裁剪等数据增强操作,根据数据集特点使用了Faster RCNN网络进行检测,对Faster RCNN的各个模块以及相应的调整进行了介绍,与Cascade RCNN网络、RetinaNet网络、Yolov4网络相比能得到较佳综合性能。然后,对Faster RCNN网络的特征提取部分进行了改进,分别介绍了Res Ne Xt、Res2Net、Res Ne St、RegNet特征提取网络并对ResNet 50特征提取网络进行替换,比较它们的检测精度,验证了RegNet特征提取网络取得较好的性能,再分别介绍了Transformer空间注意力模块、通道注意力SE模块、混合注意力CBAM模块并分别添加到RegNet特征提取网络中,对比验证了Transformer空间注意力模块对钢铁表面缺陷检测的精度的较佳提升效果,另外使用迁移学习、多尺度训练和余弦学习率的训练策略来提升检测精度,最终m AP提升了3.8%。最后,设计了钢铁表面缺陷检测系统的软件界面,实现了训练和测试两种工作模式,能够训练模型和预测钢铁表面缺陷,以及查看历史检测记录,把课题所设计的改进的Faster RCNN更好地应用到钢铁表面缺陷检测上。