金属材料作为工业元器件的主要组成材料是工业生产制造过程中的一个重要组成部分。金属材料表面在加工过程中会产生诸多类型的不可控缺陷,其表面缺陷对工业产品的质量和性能有着不利的影响。现阶段工业生产中已经存在一些金属材料表面不同类型缺陷的检测方法,但是在实际生产过程中,环境较为复杂,光照、温度以及缺陷分布等因素均影响着检测效果,人工检测仍然是多数工厂沿用的检测方式。但是人工检测过分依赖检测人员的经验,检测的效率底,对于大量样本不能全部仔细筛查,并不能很好地满足生产过程中的检测需求。因此,研究开发一种对于金属材料表面缺陷自动检测和分类的方法具有重要意义。通过对计算机视觉、图像处理、深度学习方法以及传统视觉检测等相关理论知识的研究,本论文基于深度卷积神经网络设计了一种从精度、效率以及鲁棒性等方面均可满足需求的金属材料表面缺陷自动检测和分类的方法。在具体的研究过程中使用开源的NEU表面缺陷检测挑战数据集作为基准数据集对YOLO、SSD、FCOS和FasterR-CNN等常用目标检测模型进行了训练。通过比对训练结果,四种模型发现准确率最高检测结果来自于FasterR-CNN模型,其精度为90.4,mAP为84.9;而最高效率的模型为YOLO v3,其需要的训练时间为16h,预测时间为0.96s,在目标检测过程中的最低Fps为49,最高Fps为95。论文选取精度最高的FasterR-CNN模型进行进一步的优化研究。使用Resnet50替换原有的VGG16特征提取网络对模型框架进行了优化,同时调整模型的激活函数、损失函数等关键函数,并引入迁移学习对模型进行训练。改进的FasterR-CNN模型在汽车空调贮液器表面缺陷检测数据集上的目标检测精度达0.9194,分类准确率达到0.8693。改进的FasterR-CNN模型在预测精度和效率方面均优于原始的FasterR-CNN模型。验证了本研究改进的FasterR-CNN模型具有较好的鲁棒性和技术可行性。本方法预期为现实生产场景中金属材料表面缺陷的自动检测和分类问题提供了关键技术支撑和构建实用工具的基础。