钢铁产业在我国的经济产业中占据着举足轻重的地位,可以称得上是制造行业的中流砥柱,是聚集了庞大的资金、能源的密集型产业。尽管我国每年都在生产大量的钢铁,但是我国的各种钢铁产品的质量或多或少存在着一些问题。由于各种各样的原因,热轧钢板在生产过程会在表面形成各样的缺陷,这些缺陷的产生会降低产品的质量、影响产品的机械性能,也影响了其外观。在钢铁产品质量中,表面质量的重要性不言而喻,但是其改良难度一直较大。提高钢铁产品表面质量对于提升市场竞争力有着重大的意义。准确检测识别钢板表面缺陷,建立起针对钢板表面缺陷的评价体系,是提升钢板质量的重要前提。但是对热轧钢板表面进行检测是具有一定的难度的,一方面,热轧生产线的现场环境十分恶劣,检测设备不容易安装且不易防护,另一方面,热轧表面会有很多的水气,光照不均匀,检测难度较大。目前国内外有许多关于钢板表面检测的研究,也有很多的钢板表面缺陷检测方法,其中,以基于计算机技术和机器视觉技术的钢板表面缺陷图像检测的方式正变得流行。当前流行的一种检测模式是:先运用各种图像预处理技术进行图像预处理,增强图像的质量,再从图像中提取相关的特征信息,对提取到的特征进行降维等操作,最后选用合适的机器学习算法进行训练和测试。在此背景下,本文针对钢板表面缺陷检测的关键技术做了深入的研究。本文充分利用钢板表面缺陷图像数据,引入人工智能的方法,实现钢板表面缺陷的分类识别和目标检测。开展了以下研究工作:(1)查阅、学习大量文献理论知识,对实际现场进行调研,发掘出现场在钢板表面缺陷检测过程中存在的问题,结合钢板表面检测技术在国内外的研究现状,提出了采用机器学习和深度学习方法实现钢板表面缺陷分类和目标检测的课题方案。(2)对钢板表面缺陷图像进行采集,分析了局部二值模式和局部相位量化两种特征提取方式的特点,局部二值模式可以提取空间域信息,局部相位量化可以提取频域信息,将二者融合使特征信息更为综合,融合之后计算统计直方图,因支持向量机的惩罚参数和核函数参数的选取对分类结果有较大的影响,因此可以引入优化算法去进行参数寻优,而蚁群算法具有较强的全局寻优能力,粒子群算法具有较快的迭代速度,于是将二者混合起来去优化支持向量的惩罚参数和核函数参数,然后进行钢板表面缺陷的分类识别,平均识别率可达到94%左右。(3)掌握深度学习算法YOLO v3的工作原理。随着YOLO v3卷积层的增多,会出现梯度消失现象,为了避免该现象,分别去掉三个yolo层前面的两层卷积层,然后进行缺陷目标的检测,各缺陷的mAP值可以达到82.63%;为了使得YOLO v3能够检测到更小的目标,将YOLO v3的3个尺度增加为4个尺度去检测,新增的104×104的检测层将网格划分地更为细小,为了能够更多地提取到网络浅层中目标的位置信息,在第1个和第2个残差块中分别加入一个残差单元,为了降低计算量和参数量,引入深度可分离卷积代替YOLO v3的卷积结构,然后进行缺陷目标的检测,各缺陷的mAP值可以达到84.04%。