螺纹钢作为建筑结构中最基本的部件,对于房屋建筑或基础设施建设的安全性、稳定性具有决定性意义。随着工业智能时代的到来,如何对螺纹钢质量进行智能化检测显得尤为重要。当前常用的螺纹钢缺陷检测方法通常效率不高,检测精度较差。本文基于机器视觉技术,通过采集螺纹钢表面图像,分析图像信息特征,研究了一种高效的螺纹钢丝头特征点筛选方法,并完成了对丝头尺寸的测量与尺寸缺陷的检测分析。为进一步研究螺纹钢整体表面缺陷分布,本文使用YOLOv3目标检测技术对螺纹钢表面缺陷进行精细的定位与检测,检测的速度与精度均满足自动化检测需求。最后,为方便人机交互,设计了一种基于Py Qt技术的螺纹钢在线检测界面。本文的主要研究内容包括:（1）分析了螺纹钢表面检测的需求并搭建了螺纹钢检测系统平台,研究并完成了镜头、相机、光源等硬件设备的选型。（2）在对数字图像处理理论的研究基础上,完成了图像信息的预处理及角点检测。针对基于灰度的Harris角点检测识别出较多伪角点的问题,提出了一种新的角点筛选算法实现了对伪角点的筛除。基于筛选出来的真实角点特征信息,对比并研究了两种数学方法检测螺纹钢丝头的尺寸。（3）综述了YOLO目标检测算法并基于YOLOv3模型研究了螺纹钢表面缺陷。针对样本不足的情况,使用了DCGAN扩充数据集样本。通过分析YOLOv3网络结构及损失函数特点,主干网络中引入了密集连接方式以克服特征难以重用的缺陷。在损失函数中使用了CIo U算法,改善了梯度回传消失的问题。在预测阶段使用softer-NMS算法代替原始的NMS算法,提高了重叠目标的识别率。实验结果表明,改进后的算法使得模型的m AP提高了6%。（4）基于Py Qt技术设计了一种螺纹钢在线检测系统,集成了本文所研究的螺纹钢检测方法,测试结果表明系统的检测精度满足工业检测标准。