铝合金材料常被用作笔记本电脑面板的首选材料,但是在面板加工过程中表面可能由于外部因素而被损坏。因此,表面质量检查是整个生产过程中必不可少的重要组成部分。目前,工业内对笔记本铝合金面板表面缺陷的检测主要依靠人眼检测,人眼可以检测到的缺陷尺寸普遍较大。对于微小缺陷,即尺寸在0.05mm2及以下,深度较浅或者形状较细长的缺陷,人眼检测难以满足要求。而基于机器视觉的表面缺陷检测方法在工业中常会出现微小缺陷成像不显著问题,即采集到的缺陷图像往往存在缺陷目标和背景对比度低、缺陷表示的像素点数量少等问题,难以获取到特征突显的高质量缺陷图像。同时,在后续缺陷检测过程会出现缺陷漏检误检问题,即检测方法会遗漏真缺陷,而将非缺陷或者假缺陷判定为真。本文针对微小缺陷成像不显著的问题,研究了结合对称光源和分光校正的光度立体表面缺陷测量方法,适用于匀速平动物体的成像,能够快速稳定地测量缺陷表面的梯度分布。同时,本文设计了基于多通道高斯融合的高质量缺陷图像生成方法,该方法融合梯度分布的旋度、散度、高斯曲率和平均曲率,使得单张图像具有更多的特征信息,缺陷的凸显度高,并且采用基于FFT的高斯滤波方法,融合效率相比普通高斯滤波方法提高5.15倍,使得本文成像方法在高分辨率下同样具有较高的计算速度。针对缺陷漏检误检问题,本文设计了结合多尺度特征融合和级联残差网络的缺陷检测方法,该方法基于one-stage目标检测框架,结合余弦退火和热重启的随机小批量梯度下降方法,使得多任务损失函数能够在迭代过程中有效收敛。该方法中的Backbone采用了结合随机子空间RSM和深度可分离卷积的级联残差网络Cascade-DResnet,在测试集中验证分类准确率达97.66%,并且通过模型量化方法将原本的float32模型量化为int8模型,模型压缩率为46.9%,在几乎无损准确率的情况下,FPS达到78,每秒可识别1.77块面板。最后,根据表面缺陷光学测量系统的设计方案搭建了实验平台,将本文设计的测量方法和缺陷成像方法集成为成像模块,将缺陷检测方法集成为目标检测模块,并且设计和完成了软件应用系统,用于交互操作、生产测试和网络模型训练。通过实验平台采集了5572张图像,实验结果表明m AP超过90%,检测速度达到69帧每秒,基本满足实时在线检测的生产要求。