摘要
钢材表面缺陷检测是钢铁制造质量控制的核心环节，对产品质量和生产效率至关重要。近年来，基于计算机视觉的深度学习方法已大幅超越基于手工特征的传统机器视觉方法，推动钢材缺陷检测进入智能化时代。本综述仅涵盖深度学习方法，手工特征机器视觉仅作为背景介绍。本文对基于深度学习的钢材表面缺陷检测进行了全面综述，共引用184篇文献，其中183篇发表于2015年至2026年之间。我们以分类、检测和分割三个核心任务为框架组织文献，并从网络架构优化的角度对每个任务进行回顾。此外，我们总结了十余个公开数据集，包括NEU和GC10-DET等，以及常用评价指标和开源代码资源，并汇总了数十个模型（包括YOLO系列、DETR和Swin Transformer）在文献中报告的结果。上述数值直接取自原始论文，并非统一基准测试结果。最后，我们分析了核心挑战——数据稀缺、小目标检测、模型泛化能力和实时性能——并探讨了未来研究方向，包括高分辨率图像处理、少样本学习以及大模型辅助质量评估。
