在钢铁企业中，如何提升产品的质量和生产效率是一个非常重要的问题。在钢板的轧制过程中，由于多种原因会在钢板的表面形成不同缺陷，及时识别出缺陷对生产线进行生产安排和提升钢铁产品质量有着重要的作用。在钢铁企业仓库中堆放着不同规格的钢板，当进行再加工或出售时需要对钢板进行搬运操作，而搬运过程中对钢板物流位置的准确识别能有效提高工作效率。因此，研究钢板表面缺陷和物流位置的识别技术具有重要意义。
　　传统的钢板表面缺陷识别方法存在识别准确率不高、实时性不好、可能引入新缺陷等不足之处。而钢板物流位置常用传感器来进行识别，通常检测精度不够，不能识别钢板尺寸等缺点。机器视觉在图像识别的实际应用中有着很好的效果。因此，本文基于机器视觉技术，研究其在钢板表面缺陷检测识别和物流位置识别过程中的应用。
　　1)针对钢铁轧制过程中因钢板缺陷的产生会降低其品质而需要及时进行检测识别的问题，本文提出了基于差分进化的卷积神经网络钢板缺陷识别方法。该方法提出了卷积神经网络结构中激活函数优化的选择策略，实验表明合理的激活函数配置能加速模型的训练过程;提出了基于差分进化的卷积神经网络两阶段参数优化策略，结合反向传播算法的局部搜索能力和差分进化算法的全局搜索能力进行参数的优化，实验表明该策略有效地提高钢板缺陷的识别准确率。
　　2)针对钢厂仓库作业中钢板物流位置信息的需要智能识别的问题，本文采用了基于双目视觉的钢板物流位置识别方法。该方法提出了基于差分进化和K均值混合图像分割的立体匹配算法，提高了算法的匹配精度。通过算法仿真实验和实物系统实验表明该方法具有精确、有效的特点。
　　3)以实际需求为背景，设计并开发了基于改进卷积神经网络的钢板缺陷识别系统。该系统为用户提供了模型训练、图像采集、缺陷识别、图像管理等主要功能。通过在实际问题的应用，表明该系统具有操作简单、实用性强的特点。