注塑泵作为日化产品中的核心产品,生活中使用频率高,因此对注塑泵质量的把控也成为了注塑泵生产企业非常注重的一个环节。过去通过人工来挑拣缺陷产品的方法不仅效率低下,稳定性也无法保证,越来越难以满足目前注塑泵生产中对质量的要求。因此将注塑泵缺陷检测实现全自动化是非常重要的一个研究课题。本文旨在研究基于深度学习的注塑泵缺陷检测方法来实现全自动化稳定高效且易部署的注塑泵缺陷检测系统。采用目标检测的方法识别注塑泵三个视角图像判断其缺陷的有无并且提供缺陷的类别以及所在位置的信息,再将训练好的模型优化部署到移动端搭建完整的注塑泵缺陷检测系统。具体的研究内容包括:1、提出了一个移动端注塑泵缺陷检测系统框架。通过分析注塑泵生产线对缺陷检测的要求确定了系统需求,选择交叉编译环境搭建整个系统。其次建立起该系统用于训练以及测试的注塑泵VOC数据集,收集工厂生产线上的泵体,通过工业相机采集每个泵体三个视角的图像,利用专业软件对缺陷标注,最后经数据增强得到注塑泵缺陷数据集。2、提出了一个基于YOLOv3的注塑泵缺陷检测模型。首先对常用锚框检测算法进行概述,结合本文研究目的最终选择YOLOv3为研究对象建立缺陷检测模型。选择darknet-53作为骨干网络改进提升模型学习能力,借鉴了FPN的思想为检测模型的输出张量实现了多尺度化。实验得到YOLOv3改进的缺陷检测模型能达到97.8%的定性分类准确率以及49.62ms的平均检测时间,但对细微划痕和微小油污这些尺度差异大的缺陷不敏感,平均缺陷检测率只有90.2%。3、针对注塑泵缺陷尺度差异大的缺陷另外提出了一种基于Center Net的缺陷检测模型。首先概述了不同的无锚框检测算法,在其中分析比较选取Center Net作为研究对象,建立基于Center Net的缺陷检测模型。选择DLA网络作为骨干网络平衡模型精度与速度,基于可变形卷积对DLA进行改进增加对不规则缺陷的识别能力,采用聚焦损失函数解决正负样本不均的问题。最终得到定性分类准确率达到96.3%,缺陷平均检测率为93.8%,检测时间仅需38.24ms的Center Net改进缺陷检测模型。4、优化了缺陷检测模型移动端的部署方法。通过使用通道稀疏化的原则对上文得到的缺陷检测模型进行剪枝将其从235.2M压缩到49.6M。接着分析研究了两种移动框架NCNN以及Tensorflow-lite的不同量化方式,对其进行实验对比选取NCNN为运算框架进一步的减少模型推理时的计算量以满足移动设备更慢的计算速度。最终部署模型完成了移动端注塑泵缺陷检测系统,在RK3399平板上平均检测时间为118.23ms,定性分类准确率为89.6%,平均缺陷检测率为85.2%。