手机外壳是手机组件中的重要组成部分,对其进行无损检测是手机外壳生产制造过程中必不可少的环节。目前在手机外壳实际生产过程中依然是依赖经验丰富的检测员,以人工目检的方式进行检测,这种方式无疑需要耗费大量的人力和财力,且检测准确率较低。因此急需在手机外壳生产制造过程中引入自动缺陷检测方法,然而传统的机器视觉的缺陷检测对应用工程师能力要求极高,需要精通图像处理和高等数学等相关的高等学科知识,难以满足手机外壳缺陷检测的自动化和智能化,且准确率较低。针对此问题,首先对手机外壳中经常出现的缺陷类型进行归纳总结,得到擦伤、划痕、污点三种典型缺陷,通过工业CCD相机对典型的手机外壳缺陷进行图片采集,将采集好的图片进行审查和标定,制作训练样本集。然后在卷积神经网络Alex Net中引入空间金字塔池化(SPP)层,作为网络结构的最后一层池化层得到SCNN特征自动提取模型,运用SCNN模型对数据集进行训练并将提取的特征直接作为极限学习机(ELM)和随机森林(RF)分类器的输入,完成手机外壳的缺陷检测,得到SCNN-ELM和SCNN-RF缺陷检测模型。最后,对模型进行了训练和测试,将训练样本随机分为训练集和测试集,分别对将CNN、SCNN、SCNN-ELM、SCNN-RF模型进行训练,并将测试结果进行对比分析,最终结果表明所构建的SCNN-RF模型具有较高的识别准确率和效率,且对细微缺陷识别也相对较高。相对于传统机器视觉方法对操作人员的要求大大降低,因为深度学习模型能够自己进行学习,通过训练确定相关参数,实现了手机外壳缺陷检测的自动化和智能化,且相对于单纯的CNN网络所提方法具有更好的识别性能,为工业生产过程的自动化和智能化打下了基础。