带钢作为冶金行业的主要产品,它的应用范围包括汽车,国防,军工,化工,轻工业,重工业等。由于生产带钢的原材料质量,轧制工艺,系统控制等等多维度因素,生产出来的带钢表面常常会出现白点,孔洞,辊印,麻点,划痕,腐蚀,拼接,黑点,边裂等缺陷。在带钢轧制的过程中,生产系统及时发现和甄别这些缺陷的存在以及类别对提高带钢的品质和提高生产效率具有极其重大的作用。本课题基于此背景研究和开发了多种基于图像认知的卷积神经网络来对带钢表面缺陷图像进行自动分类,首先本文从卷积神经网络的主要组成部分出发,阐述了卷积核、非线性映射函数、全连接层、池化层的基本原理和计算步骤。然后着眼于带钢表面缺陷图像的特征提取,我们设计了六种卷积神经网络,分别为10层、8层、6层神经网络且引入对比架构,包括随机失活层、不同感知野大小、局部响应归一化层等。在训练数据输入到这六种神经网络之前,我们设计了镜像映射、对比度和明暗程度调整以及加噪声三种方法来对训练图像进行数据扩充以增强训练集的丰富程度。在训练过程中我们统计了不同卷积神经网络的训练Batch和测试集合的准确度和交叉熵损失函数值分布,同时还对卷积核的输出响应进行了可视化研究实现。最后我们基于Tensorflow对这六种卷积神经网络进行开发实现、训练、部署和实验。实验引入整体准确度、单类别准确度、精确度、真阳性率、假阳性率、真阴性率、假阴性率来对各类算法模型的性能指标进行评估和分析。实验结果表明,本文提出的10层卷积神经网络具有比其他五类卷积神经网络更好的整体分类准确度,可以达到94.89%。同时,随着神经网络中卷积层深度的降低,其相应的分类性能也在逐渐降低,另外在对比实验中我们发现局部响应归一化和随机失活层的引入并未给带钢表面分类性能带来提升,反而是降低了一些。本文提出的10层卷积神经网络在NVIDIA Quadro M2000M GPU平台上的前向预测仅仅需要9.28毫秒。