我国的钢铁和铝材等金属产品产量大,在生产的过程中,由于各种因素,比如材料的问题或者流水线生产中各个工序的误差,会生产出表面有缺陷的不合格产品。快速自动化的检查出这些产品,不仅能够保证产品的质量和人们的安全,而且能够提高生产的效率。基于卷积神经网络的金属表面缺陷检查算法研究上,大多数的研究都是集中在分类任务上,很少涉及到检测和分割任务。主要原因是标注矩形框标签和分割标签等监督信息需要大量的时间和精力。本文设计了一种基于类激活图(Class Activate Map,CAM)和种子线索生长的检查算法,利用分类标签和少数的分割标签完成金属表面缺陷的分类和语义分割。首先,搭建带着全局平局池化(Global Average Pooling,GAP)的分类网络,利用分类标签训练分类网络,完成高精度的分类。其次,利用训练好的分类网络和CAM可视化算法生成类激活图,实现初步定位。最后,将初步定位的结果作为弱监督的DSRG算法的种子线索,实现语义分割。在该方法中:1)CAM可视化算法需要用到高精度的分类网络,它挖掘分类网络最后一层特征图的位置信息,完成初步定位。2)初步定位信息作为语义分割的监督信息,利用弱监督DSRG算法完成语义分割。3)该方法探究使用少数的不同比例的分割标签预训练DSRG的主干网络,确保种子线索生长的方向正确。本次实验包括分类和语义分割两个任务。分类任务中,搭建了三种不同结构的分类网络模型,在钢铁数据集和铝材数据集上分类精度都超过了94%,性能明显优于LBP+SVM的方法,另外带着GAP的分类网络的性能只降低0.1%～0.2%。语义分割任务中,在铝材数据集上,探究了不同比例的分割标签对网络性能的影响,部分类别的语义分割结果接近全监督的FCN网络。实验结果证明该方法在金属表面缺陷检查中的作用。在分类任务中,该方法能够利用卷积神经网络强大的特征提取能力,提高算法的性能和鲁棒性。在语义分割任务中,通过CAM可视化算法得到的初步定位,可以减少对分割标签的依赖。