钢卷端面缺陷检测是产品出厂前的重要步骤,是产品质量控制的重要环节。钢卷端面缺陷检测分为高精度检测和高速度检测。目前,检测以人工检测为主,少数企业使用激光、热成像等手段辅助检测,依然无法实现自动化。故迫切需要一种自动化、智能化的方案,满足行业对钢卷端面缺陷检测的需求。伴随深度学习的发展,目标检测算法发生重大突破,基于深度学习的机器视觉检测技术成为缺陷检测的重点研究方向。故本文将结合深度学习中的目标检测算法,对钢卷端面缺陷展检测算法开研究。本文主要研究内容如下:（1）分析目标检测算法,以Two-stage算法和One-stage算法作为分类,明确两类算法特点,将高精度检测和高速度检测与两类算法特点匹配,选择适合的算法进行针对性优化。（2）构建高精度钢卷端面缺陷检测模型,选择Two-stage算法中FasterRCNN网络,其在复杂缺陷检测中表现优异,对其进行后续优化工作。提出使用多尺度特征融合优化算法,提高对小型缺陷的检测能力;提出使用深度残差网络作为骨干网络,增强骨干网络性能,提高检测精度和检测速度。（3）构建高速度钢卷端面缺陷检测模型,选择One-stage算法中YOLOv3,其在多种数据集上检测速度均较高,对其进行后续优化工作。提出使用GIo U损失函数进行预测框修正,提高预测框的定位精度,进而提升检测精度;提出将批标准化融合到卷积层进行统一运算,进一步提升检测速度。（4）开发设计钢卷端面缺陷检测系统。本文设计机械运动结构、开发配套的上位机软件、选型适配钢卷的视觉系统,匹配生产节拍、提出图像拼接方案,实现图像采集、缺陷检测、图像拼接、结果显示、信息存储等功能,实现钢卷端面缺陷检测自动化。（5）进行实验分析,证明优化的有效性。针对每一部分优化展开对比实验,并对实验结果做出分析,验证理论正确性,整合优化部分作为最终算法与原始算法进行对比。实验结果表明,改进后的Faster-RCNN检测精度可达92.1%,改进后的YOLOv3,检测精度可达89.5%,检测速度可达22.87Fps,分别满足了高精度钢卷端面检测和高速度钢卷端面缺陷检测。