在经历了重视产量的增量扩张阶段后,我国钢铁产业迈入由量向质的优化阶段,越发重视产业结构改善、装备水平升级和产品质量提高。作为产品生产原材料之一,带钢的表面品质优劣直接影响产品品质。带钢生产企业既要满足客户持续提高的产品品质要求,又要不断提升生产效率以适应市场的快节奏,迫切需要精度更高、速度更快的缺陷识别系统。因此,研发更加高效、智能的表面缺陷识别方法意义重大。本文深入研究了复杂质检背景下高效率、高精度、适应能力强的缺陷识别算法,提出了基于深度学习的表面缺陷识别方案。本文的主要研究成果如下:(1)提出了 一种基于深度学习和多尺度特征融合的带钢表面缺陷识别算法。建立了小样本、强干扰下缺陷特征自学习的模型,解决了带钢表面缺陷种类多样、形貌多变、尺寸微小等带来的检测难题。实验结果表明:本模型能够实现多类缺陷的准确识别,并优化了带钢中微小型及细长型缺陷的识别和定位精度,特别在识别划痕、夹杂等缺陷时提升效果显著。(2)提出了带钢表面缺陷识别的模型训练策略。采用了模拟真实场景的样本数据扩增方法,解决了数据量较少、数据分布不一致造成的模型过拟合问题。详细研究了多种优化求解器,实验验证了迁移学习、学习率衰减、小批量梯度下降等模型的训练方法在提升训练效率和优化识别上的效果。(3)设计了带钢表面缺陷在线检测平台,包括机械运动系统、视觉系统和上位机系统。机械运动系统以PLC为主控,外部配置伺服电机及伺服控制器等设备。根据机器视觉系统的功能需求完成了光源、相机和镜头选型,实现了运动状态下带钢图像的高质量采集。开发了缺陷识别上位机系统,实现了模型调用、图像采集、缺陷识别可视化和缺陷信息存储等功能。(4)模拟实际工况进行了带钢表面缺陷在线检测实验,验证了模型的有效性。利用机器视觉系统采集并制作带钢表面缺陷数据集。将训练好的模型固化并部署至软件系统中,采用mAP和FPS指标评估系统的识别精度和速度。实验结果表明:本课题研发的带钢表面缺陷在线检测系统的识别mAP接近98%,识别速度达到18FPS,在精度和速度指标上均满足了带钢的在线检测需求。