由于原材料和轧制工艺等诸多因素的影响,H型钢在生产过程中会不可避免的产生各种类型缺陷,这些缺陷严重影响了型钢产品的品质和安全系数。现有人工缺陷检测方法容易造成缺陷的误检和漏检,难以满足高质量产品要求。近年来,机器视觉技术广泛应用于产品缺陷检测,具有快速、准确和非接触等优点。因此,本文将机器视觉与深度学习技术相结合,开发H型钢在线表面缺陷检测系统,设计自动图像采集装置和基于卷积神经网络的缺陷检测算法,实现了H型钢表面缺陷的智能化检测。利用机器视觉成像原理,设计了H型钢表面图像采集装置,采用工业线阵相机阵列获取H型钢全方位表面图像。设计了电动控制系统,根据H型钢的不同规格,自动调节图像采集装置位置,实现H型钢表面图像智能化自动采集。基于工业相机采集的型钢表面图像,构建了H型钢表面缺陷图像数据集,并采用Cut Scale等方法进行数据增强。采用基于卷积神经网络的深度学习算法,融合深度可分离卷积、可变形卷积、空洞空间金字塔池化、密集连接特征金字塔等方法,构建了基于Res Net18的H型钢图像分类模型和基于YOLOv3的缺陷特征提取—融合—预测模型,对H型钢表面缺陷进行精准分类和检测,提高了检测速度和精度。采用MFC框架和多线程架构,设计了H型钢表面缺陷检测系统软件,实现了H型钢表面图像显示、在线检测和结果可视化等功能。测试结果表明系统可以在线检测和定位凹坑、结疤、击伤等多种缺陷,识别准确率为92.11%,误检率5.66%,漏检率为2.42%。本文融合了机器视觉、图像处理和人工智能技术,开发了H型钢表面缺陷检测系统,为大规格型钢表面缺陷检测的研究提供了理论参考和技术支撑,有助于企业智能化转型升级。