随着新一代人工智能的兴起和工业4.0概念地提出,注塑智能化在显著的提升,在注塑工厂进行智能工厂的转型过程中,注塑件制品的自动质量检测是其中必不可少的一环,传统的注塑件检测都是通过人工检测,这种方式效率低下,产品稳定性也无法得到保证。实现注塑件制品的自动化质量检测可以提高检测效率、降低人力成本、提高生产效率。随着工业智能化、自动化的发展,基于机器视觉算法在注塑件缺陷检测中得以应用;但是因为需要研究人员手动地提取缺陷特征,鲁棒性差,缺乏通用性。深度学习具有自动学习特征、预测精确率高等特点;近些年来发展迅速,并被广泛的运用于目标分类、语义分割、目标检测等领域。因此本文提出基于Faster R-CNN模型对注塑件实现自动化缺陷检测,并针对Faster R-CNN模型进行分析和进一步地改进,实现对注塑件缺陷的精准检测。本文的具体工作如下:注塑件数据的准备。在使用深度学习模型进行训练时,所需要的数据量是非常大的。因此对在实际中采集到的注塑件数据通过仿射变换等数据增强技术扩充数据量,通过Label IMG软件对注塑件图片进行数据标注,为模型训练做好前期准备。模型改进。针对使用原始的Faster R-CNN模型对小目标检测精度低,效果较差的问题,而本文中的注塑件数据集中存在着气泡这类小目标,提出改进方法。采用更深层次的Res Net50残差网络替换原始的VGG16作为模型的特征提取网络;通过引入了多尺度特征融合在多层特征层上进行预测,并加入了CBAM混合注意力机制对融合后的特征图做进一步地细化;使得新生成的特征图都融合了高层次的语义信息和低层次的缺陷信息,得到了针对气泡小尺寸的更为丰富的特征信息;采用ROI Align代替ROI Pooling,提高小目标的检测精度;针对采集的注塑件数据集进行分析,采用K-means++的方式进行聚类,根据聚类的结果重新设置anchor box的大小,提高模型的训练速度和检测速度。实验验证。为了验证改进方法针对注塑件中小目标缺陷检测的有效性,在注塑件训练数据集上对改进前后的Faster R-CNN模型进行训练,对比改进前后模型的检测效果。从结果中发现改进后的Faster R-CNN模型的检测精度有所提升,总体m AP提高了7.97%;尤其是针对气泡小目标缺陷的检测效果更加显著,AP值从76.29%提高到了99.42%,提升了23.13%。在线系统设计与实现。采用前后端分离的技术,设计了一个Web端的注塑件缺陷检测系统。研究人员可以通过查看采集注塑机图片的自动检测的缺陷信息实时地关注塑机的状态,并且可以通过在浏览器端发起检测请求进行注塑件的缺陷检测;在功能模块进一步验证了模型针对小目标检测的有效性。