产品质量检测是工业生产中的必要环节,随着机器视觉的飞速发展,基于机器视觉的表面缺陷检测技术正在逐渐替代人工检测。早期的缺陷检测算法往往以传统图像特征提取为基础,算法通用性较差,且检测精度不理想。目前,基于深度学习的算法已经在多种缺陷检测场景中取得了较大进展,表现出更强的通用性与鲁棒性。但在实际工业环境中,产品缺陷样本少的问题十分普遍,依赖于大规模数据的一般深度学习模型难以直接应用。本文以无纺布口罩生产线上的缺陷检测为应用背景,对少缺陷样本场景下的深度学习缺陷检测方法展开理论与应用研究。本文的主要研究内容如下:针对本文背景中无纺布缺陷样本少等问题,首先提出了一种有监督的轻量级缺陷检测模型。引入了混合注意力与细粒度特征表示,提高了轻量级模型的表征能力。模型在无纺布与其他多种产品的小样本缺陷检测中取得了良好的效果,且具备实时性要求。又对于纹理缺陷,提出了一种基于单个缺陷样本的数据增强模型,有效实现了无纺布等产品的纹理缺陷数据扩增,进一步提高了轻量级缺陷检测模型的检测效果。针对本文背景中口罩缺陷类型多、缺陷样本少等问题,提出了一种基于特征表示的无监督口罩缺陷检测方法。首先利用预训练的卷积神经网络对口罩图像进行特征表示,再使用流模型对图像特征表示进行预测,达到口罩缺陷检测的目的。在流模型中引入了多尺度融合的思想,以适应口罩中存在的不同大小缺陷。与现有无监督方法相比,该方法提高了口罩缺陷检测效果,且适用于多种型号口罩的检测。基于工业口罩生产线,设计了无纺布检测系统与口罩检测系统。系统应用了本文提出的无纺布缺陷检测算法与口罩缺陷检测算法,并与传统图像处理方法结合,达到了替代人工检测的效果。