板带钢是钢铁生产领域的重要产品,表面质量是评价其产品等级的主要指标之一,而表面质量的评价关键在于表面缺陷类别的判断。目前深度卷积网络在图像类别判断中达到很好的效果,本文围绕深度卷积网络展开板带钢表面缺陷类别检测方法研究。具体研究内容如下:(1)针对板带钢表面缺陷数据样本数量分布不均衡及样本量不充足问题,首先采用了图像增强、均衡化、阈值化、降噪等方法对表面图像数据进行预处理,然后使用迁移学习技术对多种卷积神经网络模型进行调优,以筛选出较优的分类模型进行表面缺陷图像类别检测。(2)针对计算资源的代价问题,设计了基于分布式迁移学习VGG16模型,采用动量梯度和随机梯度交替迭代优化的策略进行求解。针对BP算法对VGG16特征分类器带来的收敛慢等问题,提出了两点步长法来优化梯度的更新,提升了VGG16模型的分类性能。(3)基于学习到的VGG16模型,实现了一种基于Spark Streaming的板带钢表面缺陷类别在线检测系统。