钢板的生产质量好坏一直是企业尤为关心的问题,它不仅关乎到企业的经济效益和产品影响力,更是对其下游制造业起到决定性作用。但是在现实生产环节中成品钢板难免会出现有缺陷的不良品,如果将这些带缺陷产品投放市场,将会带来巨大的损失。据统计,国内钢材产品中质量异议事件60%以上来自于钢材表面缺陷造成,因此,在钢板的生产过程中对其表面进行缺陷检查是至关重要的。目前大多数中小型钢板制造商对钢板表面缺陷的检测仍采用人工目测或闪频光检测,但是,这些方法要么易发生漏检、错检,检测效率不高;要么维护成本昂贵,无法实现普及。为此,鉴于计算机视觉技术和深度学习研究日益成熟,以钢板表面缺陷检测识别技术为研究对象,分析现有计算机视觉技术和深度学习在钢板表面缺陷检测中的优势与不足,通过设计、改进算法模型提升缺陷检测与识别的效率。主要研究内容如下:提出一种基于三维灰度矩阵的图像分割算法,用于解决现有的图像分割技术运用在灰度结构复杂,目标边缘模糊的钢板缺陷图像中仍然存在识别效率低,过分割现象明显等问题。首先结合图像灰度矩阵的空间特征构建三维灰度矩阵;然后引入半类间方差改进克里金插值算法,绘制三维灰度矩阵的等值线图;接着构建等值线的拓扑关系树;最后根据自定义的全局搜索策略和局部搜索策略相结合,寻找局部凹凸区域,从而定位缺陷区域,达到分割钢板表面缺陷的目的。展开零样本学习理论在图像识别领域中的研究分析,对近几年主要期刊文献进行归纳总结,探究深度学习在钢板表面缺陷分类识别任务中的可能性与优缺点。使用深度学习算法训练海量的带标签数据,可以达到前所未有的识别精确度。但由于海量数据的标注工作成本昂贵,对罕见类别获取海量数据难度较大,所以如何识别在训练过程中少见或从未见过的未知类仍是一个严峻挑战。针对这个问题,回顾近年来的零样本图像识别技术研究,从研究背景、模型分析、数据集介绍、实验分析等方面全面阐释零样本图像识别技术。提出一种基于强化特征的直推式零样本分类模型,用于解决钢板表面缺陷种类繁多,标注数据集获取难度大的问题。模型结合直推式零样本学习和泛化零样本学习理论,通过构建基础特征网络、强化特征网络、语义特征网络、特征嵌入网络和softmax分类器完成对已知类和未知类的钢板表面缺陷图像分类识别任务,降低传统深度学习模型对海量带标签训练数据集的强依赖性。