钢铁是国家强国的脊梁,钢板作为工业生产中不可或缺的重要原材料,其表面质量直接影响终端产品的品质。钢板质量的标准化是助力中国制造迈向中高端的必经之路,而现有的钢板表面缺陷检测方式越来越难以满足企业需求,故对钢板表面缺陷检测领域展开研究工作具有重要的现实意义。针对目前常见的钢板表面缺陷检测算法在实用性、实时性等指标上难以符合实际生产需求的矛盾现象,本文综合运用图像处理及深度学习的相关知识,以钢板表面缺陷分类和检测任务作为目标,改良并搭建以Mobile Net V3为代表的轻量级网络分类模型和以PP-YOLO为代表的目标检测模型,并科学引入相关评价指标进行分析。论文首先对此次任务中所涉及到的卷积神经网络的架构、特征知识进行了梳理,优劣点进行了总结;然后针对模型学习受限于小样本而产生的过拟合现象,对缺陷样本采用平移、旋转、加噪等数据增强方式进行了扩充,同时设计了均值、双边、中值三种滤波算法获取更为清晰的缺陷样本图像,并择优作为图像优化方案;针对分类检测任务,从结构及参数量化的角度改进了原始的Mobile Net V3模型,与Mobile Net V2、Shuffle Net V2、知识蒸馏后的Res Net50为代表的轻量级模型相比,模型收敛速度更快、鲁棒性更强;最后针对目标检测任务,对YOLOV3、YOLOV3-Mobile Net V1、PP-YOLO、YOLOV4-Tiny四组模型进行对比试验,各项评价参数表明PP-YOLO模型在推理速度、识别精度等指标上均为最佳,在钢板表面缺陷检测任务上具有良好的泛化能力。论文最终完成了基于深度学习的钢板表面缺陷检测算法的研究与验证任务,并进行了各个算法预期功能和结果的检验。实验结果表明,本文所选用和设计的图像处理算法、图像增强方案、分类和检测模型能够很好地完成钢板表面缺陷的检测任务。