文献综述（或调研报告）：

3.1. 钢材表面缺陷概述

钢材在加工过程中形成的表面缺陷可能为以下几种类型。

1. 板形类，包括浪形、翘曲、镰刀弯。

缺陷特征：沿长度方向或宽度方向产生上翘、弯曲等形变。

1. 氧化铁皮类，包括氧化铁皮压入、氧化铁皮细孔、红铁皮。

缺陷特征：呈点、条或片状分布，有明显颜色明暗差异。

1. 压痕类，包括卷取周期辊印、非周期压痕和DENT缺陷。

缺陷特征：钢材表面呈现周期或非周期的凹坑。

1. 其他表面类，包括划伤、异物压入、腰折、边部翘皮。

缺陷特征：划伤缺陷为直线、沟槽状；异物压入的缺陷大小不等、形态不一，会形成不规则凹坑；腰折缺陷呈现与轧制方向垂直的横向折皱，弯折或流变区；边部翘皮会在钢材表面两侧不规则掀起皮状物，缺陷根部与基体相连。

3.2. 钢材表面缺陷检测国内外研究现状：

钢材表面缺陷检测的技术也成为无损检测技术，其发展过程一般可分为三个发展阶段^[1]：人工检测阶段、激光扫描和CCD成像检测技术应用阶段、智能化发展阶段。实现证明，人工检测在线速度大于100米/分时，就无法可靠地捕获缺陷信息，从而会产生大量的漏检和误检。

目前国际上常用的钢材表面缺陷检测方法有^[2]：涡流检测方法、红外检测方法、漏磁检测方法、激光扫描检测及机器视觉检测的方法等。这些检测方法或多或少存在这一些问题：涡流检测方法为了使缺陷有足够的加热时间以便充分暴露缺陷，检测速度要足够的慢，因此限制了检测和生产的速度，不利于生产的高速化实现；红外检测技术可以检测出的缺陷种类非常的少，并且只能适用于要求不高的应用场合；漏磁检测方法虽然能够检测内部微小缺陷且检测精度较高，但无法检测表面粗糙度，并且无法对缺陷进行准确分类；激光扫描检测方法对低对比度和一些非硬性缺陷（比如污渍）的分辨能力不足，且专用的光学系统结构复杂，可维护性和升级能力差。

在早期，机器视觉检测方法的检测信噪比较低，缺少对应微小、低对比度缺陷的微弱信号检测方法，并且缺乏通用的高速、海量数字信号处理硬件平台和图像处理及模式识别专用算法，而随着计算机技术发展，人工智能长足进步，数字图像处理又迎来新的发展契机。

因为较为重视工业生产中所遇到的各种问题和困难，我国学者就钢材表面缺陷识别做出了各种不懈努力。在近年，南京理工大学徐凤云在教授陈文建和副教授曹光跃的指导下发表硕士学位论文《基于神经网络的钢材表面缺陷快速检测》，文中设计并通过仿真实现了冷轧带钢表面缺陷检测系统及缺陷分类系统，重点研究了BP神经网络算法及图像处理技术在钢材表面缺陷识别中的应用。在论文中，作者为我们介绍了包括无监督和有监督的人工神经网络以及BP神经网络系统的结构和算法，并将BP神经网络模式识别方法应用在钢材表面缺陷识别中，实现冷轧带钢表面缺陷的快速自动分类，识别率能达到96%以上。

我国学者从上世纪九十年代逐渐将目光聚焦在人工神经网络上，并渐渐认识到从机器学习中脱胎而出的人工神经网络具有很大的应用价值。从南京理工徐凤云的《基于神经网络的钢材表面缺陷快速识别》开始，基于深度学习的钢材表面缺陷检测获得了不断的进步。随后，徐凤云发表论文《神经网络决策树算法在钢材表面缺陷检测中的应用研究》，探索更多基于神经网络的算法在钢材表面缺陷的检测。而如今，基于神经网络衍生的算法多种多样，深度学习在缺陷检测中的研究进入了一个新的时代。