钢铁作为工业生产最重要的生产材料之一,关系着各行各业的发展。而带钢作为钢铁材料中使用量最大的材料之一,对很多行业的产品质量至关重要。由于储存、运输、制造工艺等诸多因素的原因,带钢产品的表面可能具有一定的缺陷。带钢的缺陷检测能够在生产过程中及时甄别诸如白点、黑点、腐蚀、辊印、孔洞等缺陷特征,从而提高带钢的质量,因此一直工业界关注的热点问题。基于特征融合与目标检测的带钢缺陷分类与定位系统采用深度学习技术,将跨层特征融合模型引入传统特征金字塔结构中,使用基于特征融合技术的目标检测算法对带钢缺陷特征进行分类和定位。在传统特征金字塔结构中,由于各层特征彼此分离,高层特征与低层特征并不能很好的结合使用,因此系统使用了跨层特征融合模型,作用是将特征金字塔中不同尺度的特征图进行融合操作,得到一定大小的、包含了全局特征的特征图,然后将其合并至对应层,从而获取更好的特征表达。由于融合操作的结果具有多种不同尺度,为了更好了描述不同尺度的模型,系统提出了M2、M3、M4、M5四种不同的跨层特征融合模型。系统实现了针对带钢缺陷的分类、缺陷定位功能,能够从图像中使用边界框与掩码定位缺陷特征,并给出缺陷所属类别与置信度。实验结果表明跨层特征融合模型对带钢缺陷的分类和定位有更好的准确度,其中M4整体检出率达到了93.9%,同时M3、M5融合特征模型也将检出率提高了1.9%、0.7%。而M3在所有检出目标中整体误检率最低,其占比为3.34%,然后依次是M5的4.77%和M4的5.78%。M4特征融合模型在网络开销方面的表现也是最优的,在实验环境中使得检测开销降低了10.92ms,比例为2.6%。M3～M5特征融合模型的m AP值高于原模型,其中M4最高,为0.462395。