随着工业水平的迅速发展,特钢棒材因具有强度大、硬度大、韧性强、耐磨耐腐蚀等特殊性能在不同行业都发挥着巨大作用,比如汽车行业中的滑轮、传动轴、曲轴;能源行业中的发电机转子、钻杆、泵体;船舶行业中的海洋平台、货轮、客轮;国防军工中的飞机起落架、航天火箭发动机等。特钢棒材在工厂生产过程中,经过冶炼、轧制、修磨、软化、表面处理等工艺加工后,极易出现表面缺陷,这些缺陷不仅影响着外观,而且会导致特钢棒材的耐蚀性、耐磨性、韧性、抗弯强度等特殊性能的变化,影响着整体部件的寿命和使用条件。为了及时检测特钢棒材表面缺陷,有效保证特钢棒材的产出质量,降低生产成本及提高特钢棒材的生产效率,对特钢棒材的表面缺陷识别分类及定位研究变得尤为重要。相比于传统的超声波、涡流等缺陷检测方式,基于深度学习的机器视觉检测方法由于其长期成本低、数字化程度高、环境适应性强等优势,在工业生产中被广泛研究、迅速发展。本文以特钢棒材划痕缺陷和少量擦伤缺陷为研究对象,通过图像预处理、图像分类及目标检测算法对缺陷进行分类识别及定位。本课题中,在图像预处理方面,解决图像在采集过程中出现的高亮区域信息丢失严重的问题;在图像分类及目标检测方面,解决研究目标小样本、轻量化、对硬件需求低的问题。基于以上问题,本文的研究内容如下:（1）为了采集高质量的图像数据,对缺陷检测试验台构件进行选型。根据现有对缺陷检测试验台的研究,依照检测环境及特钢棒材缺陷特征,对试验中的相机、镜头、固定装置及旋转装置进行了合理选型。并通过特钢棒材表面缺陷对不同环境的表现,选定了试验的光源,确定了图像采集过程中的光源布置方式。（2）为了在深度学习算法中,高效地训练图像数据,对图像预处理算法进行研究。特钢棒材表面为圆弧形,在试验中,由于金属曲面对光照的强反射现象,采集图像呈现中间高亮、两边灰暗的特点,导致缺陷信息被大量掩盖甚至丢失;传输过程中的损耗和噪声也加大了缺陷检测的难度。基于以上问题,针对特钢棒材缺陷图像提出预处理算法。首先选择最大类间方差法计算缺陷图像的分割阈值,然后将分割阈值应用于限制对比度直方图均衡化法中,对图像灰度值进行平均化,加强高亮部分缺陷及灰暗部分缺陷的对比度,从而为后期提取图像特征做好准备。（3）为了解决训练数据的小样本问题、网络结构的轻量化问题、成本需求的硬件低配置问题,对目标检测算法进行选择。由于YOLO v5目标检测算法数据增强效果好、网络架构轻便、小样本训练结果十分理想,所以本文选择了YOLO v5目标检测算法。对YOLO v5数据增强、锚框机制、回归函数等算法对样本的作用进行了试验,确定了其对本课题中图像数据的契合度。然后对YOLO v5网络结构中的超参数进行了训练,应用不同学习率对训练结果的准确率进行了对比,确定了最终网络模型。同时,研究表明,YOLO v5在定位方面效果理想,但是对强反光图像的敏感度不高,样本图像中明暗区交界与缺陷特征的高相似度对算法有一定干扰,因此在图像识别方面也要选择更好的算法,提高整体算法的准确率及预测速度。（4）为了解决YOLO v5算法在对强反光图像检测定位的高误差率,本文提出分类-检测两步走的策略。本文研究对比了EfficientNet、MobileNet、AlexNet、孪生网络四种轻型架构的图像分类算法,用不同学习率训练了网络模型,对每种图像分类算法的分类准确率及预测速度做了详细参数对比。研究表明这四种图像分类算法对强反光图像的识别率极高。将图像分类算法和YOLO v5目标检测算法相结合,互相弥补彼此在图像识别上的劣势,并且在最终的图像识别分类及定位中达到了99.46%以上的准确率。