当前国内钢铁工业面临着产能过剩的问题,提质增效的需求强烈,而表面缺陷检测作为保障产品质量的重要一环,仍旧依赖效率低、主观性强的人工检测方式。随着深度学习的不断发展,基于机器视觉的缺陷检测平台开始大规模应用,提升了工业产品的质量及生产效率,智能化发展成为新一轮工业革新的主题。为了实现钢材表面典型缺陷的自动检测,本文基于语义分割网络U-Net进行改进,设计了一个端到端的缺陷检测分割算法,并从多尺度特征提取、分割网络结构、模型压缩与加速、半监督学习等角度入手对算法进行改进、创新与优化。首先,对钢材数据集特点及任务需求进行分析,设计了缺陷分割算法的整体方案,并对其中包含的多阶段数据增强与预处理、特征提取网络、分割网络、加权损失函数等基本核心模块进行了详细的分析。其次,针对缺陷尺度跨度大、干扰严重的问题,提出了基于分组卷积和特征均匀重组的残差网络结构,实现了良好的多尺度特征提取。同时深入分析U-Net存在的问题,通过过渡特征与密集连接改进得到倒三角形的缺陷精细分割网络NablaNet,并在其中嵌入注意力机制,对特征通道和空间进行自适应调整,进一步提升模型准确率。本文基于深监督机制对模型参数过多的Nabla-Net进行网络剪枝,在有效压缩模型的同时也加速了网络收敛。最后,为了在硬件计算资源有限的情况下减小单张图片训练时的显存占用,在训练过程中混用了FP16和FP32两种数值精度,实现了训练的加速。针对有标签数据获取困难的问题,本文基于伪标签技术对模型训练进行半监督学习的算法优化,将原本无用的未标注数据用于提高模型的泛化能力。在实验验证中,对本文的若干项网络改进与算法优化设计了对比实验,并对结果进行了可视化与分析。实验结果证明,本文提出的钢材缺陷检测分割算法效果可以满足实际工业生产需求,兼具灵活性、实用性与有效性。