近年来,随着工业互联网与“中国制造2025”等概念的提出,工业生产信息化改造如火如荼,传统的人工目检法无法高速且稳定地检测缺陷产品,而基于机器视觉的检测方法则能很好地解决这一问题。机器视觉技术被广泛地用于电子元件、印刷和食品饮料包装等领域的缺陷检测环节,检测设备却没有形成标准化的通用体系结构。现有的检测设备在检测速度、抗干扰性和可拓展性等方面都存在着不足之处,因此设计一种基于机器视觉技术,面向高速表面缺陷检测的通用系统模型具有很大的研究意义与实用价值。本文主要研究成果如下:1.设计了一种数据流驱动的FlowGD表面缺陷检测系统模型为了提高表面缺陷检测设备的通用性,本文设计了一种数据流驱动的FlowGD表面缺陷检测系统模型。此模型创造性地归纳了不同类型设备的结构,采用模块化方式将模型划分为通用实时跟踪控制器、通用数据处理中心和通用人机交互三个子模块,各个子模块通过信息流链接,截取数据流中所需数据并上传采集数据,适用于二维图像的表面缺陷检测。2.提出了各种子模块硬件去耦合的方法为了进一步提升模型的通用性,对各子模块进行了硬件去耦合设计。跟踪控制器模块设计了一种面向对象的高速跟踪控制方法,采用中间层解释器实现跟踪控制逻辑,便于移植到各类硬件平台。数据处理中心模块设计了一种检测算法链式结构,无需改变原设计的算法结构,只需算法单元针对不同架构的硬件做底层适应性实现即可。人机交互模块设计了一种基于TCP/IP协议的分布式监控方式,将检测程序与监控程序分离,使得监控程序可以运行在各种平台上。最后为了增强系统的多目标缺陷识别能力,设计了一种基于深度学习的多目标缺陷检测算法。3.实现了检测系统并验证了提出的方法为了验证所设计模型和方法的实用性,本文基于FlowGD模型实现了一套采用传统视觉算法的电容检测系统和一套采用深度学习算法的SMT检测系统,分别部署在工业PC和嵌入式AI平台上。电容检测系统的稳定检测速度能达到80000个/小时,SMT检测系统能在3600个/小时的速度下同时对多个元件漏贴情况进行准确识别,经过对实验结果的分析与对比,本文设计的FlowGD模型与方法具有较强的通用性和实用性,适用于电子元件、食品包装和玻璃等表面缺陷检测领域。