工件作为产品的基础部件,直接决定产品质量的优劣,影响产品的使用效果。在工件生产制造过程中,工件表面常常会存在各种不同类型的缺陷。传统人工检测方法随着工作时间增加,容易造成检测人员视觉疲劳,进而产生工件缺陷误检和漏检等问题。模板匹配检测方法作为一种较为简单的检测方法,在实际中被用来作为工件缺陷检测的一种手段。该检测方法需要精密的工装,保证标准样本和待检测样本严格对齐,一旦标准样本和待检测样本未对齐,便会造成误检。无论是传统人工检测方法还是模板匹配检测方法,检测手段的智能化水平均较为低下。基于图像处理的工件缺陷检测方法通过使用图像处理算法来获取工件表面的缺陷特征,实现工件表面缺陷的识别。一些工件表面特征复杂多样,传统的图像处理方法难以提取到缺陷的特征,因此限制了此类方法的应用。卷积神经网络可以自主学习对象特征,由卷积神经网络构成的目标检测模型可实现工件表面多种类型缺陷的检测。目标检测网络模型可嵌入到检测设备中,形成检测系统,该检测系统具有较高的智能化水平。因此,本文基于深度学习神经网络模型,开展工件缺陷智能检测研究,选择齿轮作为实例进行检测效果的检验。为了提高产品流水线上工件实时检测的智能化水平,以齿轮缺齿检测问题为例,本文的主要工作包括:1.提出基于图像自动配准算法的工件缺陷智能检测方法。针对传统模板匹配检测方法需要严密工装的问题,提出基于自动配准算法的工件缺陷智能检测方法。该方法无需严密工装,可对生产流水线上任意位置的齿轮进行缺齿检测。2.针对齿轮微小缺齿检测问题,设计了一套有效的齿轮缺齿样本标注和训练深度学习网络的方案,增强了Mask R-CNN网络对于齿轮微小缺齿的检测能力。本文比较了多种样本标注和训练方案,通过测试,选择更为有效的缺齿样本标注与训练方案,并进一步对深度学习检测网络的结构进行研究。3.改善了Mask R-CNN检测模型中FPN（Feature Pyramid Network）的网络结构。FPN作为Mask R-CNN检测模型的共享特征提取网络,通过对多种尺度的特征图进行上采样和融合操作获取融合的多尺度特征图。通过研究发现,FPN在进行特征图融合过程中存在冗余的卷积操作。实验结果显示,该冗余卷积操作的剔除可有效地提高Mask R-CNN检测模型对于齿轮微小缺齿的召回率。4.提出对Mask R-CNN检测模型利用改进的单尺度特征图进行齿轮微小缺齿快速检测的方法。针对Mask R-CNN模型利用由FPN产生的融合的多尺度特征图进行齿轮微小缺齿检测需要消耗较多检测时间的问题,本文基于多尺度特征图融合的思想对Mask R-CNN检测模型提出一种利用融合的单尺度特征图进行齿轮微小缺齿检测的方法。通过实验验证,该方法在保证Mask R-CNN网络模型对于齿轮微小缺齿检测对象具有较高召回率的同时,有效地提高了Mask R-CNN网络模型对于齿轮微小缺齿的检测速度。