由于制造工艺与设备、生产环境、生产材料等诸多因素的影响,热轧钢表面会形成不同类型的缺陷,影响钢材以及钢材衍生物的质量。目前,检测手段以人工检测为主,该方法存在检测速度慢、精度低等问题。针对热轧钢表面缺陷检测存在的问题,提出了一种基于深度学习的热轧钢表面缺陷检测算法。具体内容如下:1)数据集是由钢厂实际生产中采集热轧钢各类缺陷图像组成。鉴于实际生产中的热轧钢表面缺陷种类繁多、特征复杂多样,将采集得到的图像经过角度旋转、亮度变换、切割等方式制作成热轧钢表面缺陷数据集,并进行人为标注。2)提出了基于改进Yolov4的热轧钢表面缺陷检测算法。选取Yolov4算法作为检测主算法,将SENet结构嵌入到主干网络CSPDarknet53的每一层残差网络中,区分不同缺陷类型的特征信息。SE-Yolov4网络通过加权各个通道的特征信息,实现通道之间的信息交互,达到强化有效信息、抑制无效信息的目的,从而提高对热轧钢表面缺陷检测效果;由于裂纹和部分擦划伤缺陷在外观上存在一定的相似性,导致在检测中这两类缺陷不易区分,在空间池化金字塔前后增加卷积层数和主干特征网络输出不同特征信息后增加卷积层数。裂纹的检测精度提升1.72%,擦划伤的检测精度提升10.07%,表面翘皮的检测精度提升2.67%,mAP由86.62%提升至93.13%。3)提出了改进轻量化SE-Yolov4的热轧钢表面缺陷检测算法。增加卷积层数后的SE-Yolov4算法由于嵌入SENet网络和增加卷积层数,致使网络层数加深,进而导致检测速度变慢。参考MobileNet系列算法的设计思想,用深度可分离卷积代替常规卷积,将MobileNet v3基本块嵌入到SE-Yolov4的主干特征提取网络中,充分融合MobileNet v3轻量化网络的特征,减少整个网络参数量。在保证检测精度不降低的基础上,检测一张图片所用时间由原始的0.062s降低至0.026s,该改进算法在测试集中的mAP值达到93.82%,较Yolov4算法检测精度提升7.2%,更好地达到了网络改进的目的。图37幅;表6个;参55篇。