钢板是钢铁生产的重要原料,广泛应用于航空航天、生产制造等领域。但是,在实际生产中,钢板表面会产生各种缺陷,这些缺陷极大地影响着产品的使用性能,严重降低产品的使用寿命。目前大多数企业仍采用人工视觉检测方法和传统机器视觉检测技术检测钢板表面缺陷,这些方法检测精度低且实时性差,难以满足生产要求。因此,研发高精度、速度快的表面缺陷检测技术是十分必要的。在此背景下,本文提出了一种基于图像处理和深度学习相结合的钢板表面缺陷视觉检测方法,对缺陷图像预处理、缺陷分类和缺陷定位检测算法进行了研究。主要研究内容和结论包括以下四个方面:（1）钢板表面缺陷图像预处理。采用了五种数据增强方式扩充钢板表面缺陷图像数据集,增加深度学习模型训练的数据样本;提出了基于投影灰度均值的钢板表面图像ROI检测算法,该算法对缺陷图像的检出率为97.43%,平均检测时间为0.004 s;采用了改进的自适应中值滤波（IAMF）算法滤除图像噪声,结合实验分析,IAMF算法在滤除噪声和保持边缘细节信息上都要好于自适应中值滤波（AMF）算法;提出了PSO-Gabor滤波器算法对缺陷图像进行增强,实验结果表明该算法能够突出缺陷特征,提升原图质量。（2）合理地改进了Alex Net网络并对钢板表面缺陷进行分类。采用了迁移学习共享Alex Net网络参数;在网络中加入了注意力机制（SE）,使网络有效地学习重要特征;使用了深度可分离卷积结构替换部分卷积层;引入了批量归一化（BN）层,加快网络的收敛速度;加入残差网络结构,避免梯度爆炸和消失;使用了Leaky Re LU函数作为激活函数,解决网络训练时部分神经元无法更新的问题。经过实验验证,相比于传统的Alex Net网络,改进的Alex Net网络对钢板表面缺陷的分类准确率为99.44%,提升了18.27%。（3）优化了Faster RCNN网络并对钢板表面缺陷进行定位检测。采用了IOU K-means聚类算法获得更适合钢板表面缺陷的Anchor数量和大小;使用了改进的Alex Net网络进行特征提取获得特征图;最后采用了ROI Align进行池化,减少了ROI Pooling量化取整所带来的偏差。实验结果表明,和传统的Faster RCNN网络相比,优化的Faster RCNN网络对钢板表面缺陷的检测准确率为0.918,提升了0.115,能更好地检测钢板表面特征复杂、小尺寸和细长型缺陷。（4）设计了钢板表面缺陷视觉检测实验平台,包括钢板运动控制部分,机器视觉系统部分和计算机软件部分。钢板运动控制部分采用伺服电机和直线模组带动钢板双向平动,并通过PWM脉冲控制电机速度。确定了机器视觉系统的硬件型号与结构方案。开发了钢板表面缺陷在线检测软件系统,实现了图像采集、缺陷检测和信息存储等功能。对实验平台进行在线测试,利用机器视觉系统采集人为制造的钢板表面缺陷图像,经过人工标注后送入模型中进行训练,将训练好的深度学习模型载入检测系统中,采用平均检测精度（m AP）和检测帧率（FPS）作为该系统的性能评估指标。系统测试结果表明,该系统的检测m AP达0.93,FPS为18 f/s,实现了复杂背景下的钢板表面缺陷的在线检测。