我国的钢铁产业在工业生产中一直以来都占据着十分重要的地位,因此保证带钢等钢铁产业的产品质量尤为重要。尽管每年我国都会出产大量的钢铁产品尤其是带钢,但是并不能完全保证产品不存在质量问题。由于生产过程中的诸多因素,最终的产品总是会存在各种各样的问题。这些有缺陷的带钢产品,如果进入到下一级生产中,不但会造成最终的工业产品外观较差,甚至会对最终产品的强度,机械性能造成影响,造成安全隐患。所以在带钢生产过程中,准确定位到带钢表面的缺陷种类和位置,并根据检测结果对产品质量进行控制尤为重要。人工抽检存在工作强度大,对检测工人技术水平要求较高,工业生产环境会对工人的健康造成影响等弊端,利用机器视觉的方法对带钢表面缺陷进行自动检测能很好的避免上述问题。传统的机器学习方式:首先对图像进行预处理对图像进行降噪等操作,从而提高图像的清晰度,在根据缺陷特点利用数学方法提取图像信息作为检测缺陷的特征,然后通过特征降维等操作挑选出最能表达缺陷的特征,最后根据不同缺陷种类选择合适的机器学习算法,对整个网络进行训练和测试。随着卷积神经网络的广泛应用,在训练样本中自动提取特征的模型越来越多的应用在工业缺陷检测任务中。在此背景下,本文针对基于深度学习的带钢表面缺陷检测方法进行研究。本文以Faster R-CNN网络作为带钢缺陷检测的基础,选用Res Net50作为特征提取网络,并根据带钢缺陷检测的特点,提出了背景抑制算法和特征融合算法经过实验验证本文提出的网络在带钢缺陷检测任务中取得了很好的效果。基于全局平均池化的缺陷特征增强网络主要针对带钢缺陷检测中背景较为单一且与部分缺陷的纹理、颜色较为接近的问题。通过在特征提取网络的浅层添加特征增强层的方法,通过对背景特征进行抑制的方法来达到增强缺陷特征的目的,并在NEU-DET数据集上进行验证,相比于改进前的网络m AP提高了5.8%。基于特征金字塔的思想,本文对于Res Net50网络提取特征过程中生成的中间特征图R2,R3,R4,R5进行特征融合得到融合后的特征图P2,P3,P4,P5,后续建议框生成网络使用融合后的特征进行建议框的生成,同时对生成建议框的尺寸进行扩展,从而使得网络对不同尺度的缺陷尤其是小尺寸缺陷有更好的检测性能。经过实验验证,结合了背景抑制和特征融合的Faster R-CNN网络比原始网络的m AP提高了10.39%。