随着电子设备不断小型化的发展,电路板的密集程度和精细程度越来越高,作为电路板生产过程中不可或缺的辅助材料,钢网的质量对电路板质量至关重要,对钢网的缺陷进行快速、准确的检测成为提高钢网产品质量的重要手段。国内钢网检测设备现在面临的困难主要体现在两方面,一方面是国内大幅面钢网缺陷检测设备市场长期为国外厂商所垄断,另一方面是现有钢网缺陷检测设备无论是在检测幅面、检测精度、检测时间还是缺陷分析方法的研究都无法满足快速发展的钢网生产和应用需求。本文的研究目标,是研究针对钢网产品可能存在的加工缺陷,进行快速、高精度、准确检测的方法,设计并研制钢网检测设备,解决钢网生产和应用产业对大幅面钢网中的小尺度通孔缺陷的快速、准确检测的难题,其选题具有重要的应用前景,打破了相关产业对进口高端设备的依赖。通过综合运用高精度位移平台伺服技术、小视场高分辨率成像探测技术、大幅面多视场图像高精度拼接技术、跨视场成像定位补偿技术等关键技术,设计了大幅面钢网缺陷高精度光电检测系统,成功解决了600mm×600mm超大检测幅面与20μm较高检测精度之间、3万开孔的大量检测对象与7min的有限检测时间之间的矛盾,成功研制了能够在钢网应用的工业现场对钢网产品质量进行准确、快速、自动测量的设备。通过应用和优化各种图像增强算法、图像特征分析算法、钢网设计文件自动转换算法、超大幅面图像对比分析算法等核心算法,设计了用于对不同钢网产品进行设计文档自动转换、图像自动对比、缺陷智能分析的数据处理软件,实现了对钢网可能存在的各种缺陷的准确检测,特别是具备了国内外同类产品所不具备的多孔缺陷检测能力,以及对大量不同设计形式的钢网进行自动快速检测的柔性检测能力,满足了钢网生产企业的独特需求。本文所研制的钢网缺陷检测设备应用于工业现场的钢网检测,在现场对预先设计的缺陷目标进行了实际检测能力验证,在随后工业现场长时间使用过程中,对成像系统、伺服系统出现的问题进行了优化,并对跨视场定位精度进行了校正,实践表明:我们所研制的钢网缺陷检测设备在工业现场实现了长期稳定运行,其实际检测能力能够满足钢网生产对缺陷检测的要求。为了进一步提高设备在实际应用场合中对新出现缺陷的适应能力,实现缺陷检测从自动化向智能化的转化,本文探索了人工智能技术应用到钢网缺陷检测领域的可行性。将深度神经网络技术应用到钢网缺陷检测领域,通过网络优化以及用大量标记后的钢网缺陷数据进行训练,获得了能够通过图像特征分析对钢网正常开孔、边缘异常开孔进行有效区分的深度神经网络模型;通过引入生成对抗神经网络方法,实现了通过正常样本的非监督学习训练方法,得到能够准确区分各种异常缺陷的网络模型,成功解决了正常钢网开孔样本数量巨大而异常样本稀少,这种样本空间不对称所造成的泛化性能不足问题。研究结果表明深度神经网络超过传统缺陷分析方法,取得了更好的效果,生成对抗神经网络在异常样本收集困难的钢网检测领域具有较好的应用潜力。