随着“中国制造2025”的提出,我国对工业产品质量要求越来越高,产品表面缺陷检测是保证产品质量的重要一环。压敏电阻是一种电阻器件,在防雷行业占有重要地位,其表面缺陷检测方法可分为两类:人工检测方法和自动检测方法。人工检测方法存在效率低、可靠性差、生产成本高的缺点;自动检测方法可通过传统机器学习和深度学习技术实现,但存在以下问题:基于传统机器学习的方法泛化能力差,准确率低;基于深度学习的方法在训练数据集规模较小的情况下容易出现过拟合问题。针对上述问题,本文展开了以下研究:(1)构建了压敏电阻表面图像数据集:为保证压敏电阻表面图像数据集的质量,本文设计并搭建了可进行图像采集的压敏电阻表面图像采集装置硬件环境。为自动采集稳定的、清晰的压敏电阻表面图像,本文采用两帧差分法进行静态目标检测,提高采集效率,并利用图像处理技术自动提取压敏电阻表面图像的有效信息,得到基础数据集。为获得足够的数据集,对基础数据集进行扩充,共得到原始压敏电阻表面图像3350张,为表面缺陷检测模型提供了足够的高质量图像数据集。(2)构建了基于卷积神经网络的压敏电阻表面缺陷检测模型:针对传统机器学习方法中人工定义数据特征带来模型泛化能力差的问题,本文采用卷积神经网络建立压敏电阻表面缺陷检测模型。具体方法是利用卷积神经网络中的卷积层可以自动从原始图像数据中抽取特征,通过池化层去除冗余特征,然后全连接层将有效特征进行融合,最后对压敏电阻表面图像进行分类,进而判断压敏电阻表面是否有缺陷。实验结果表明,构建的模型在测试集上准确率可达94%,AUC值为0.94,检测速度为每秒34张。(3)构建了基于生成式对抗神经网络的压敏电阻图像数据集增强模型:为进一步提高面缺陷检测模型的准确率、AUC值及模型的泛化能力,本文采用生成式对抗神经网络对压敏电阻图像数据集进行增强。具体方法是生成式对抗神经网络的生成器和判决器的卷积层通过学习压敏电阻表面图像各个通道特征,然后将通道特征进行随机组合,生成与原始压敏电阻表面图像结构分布相似的图像。将增强后的图像数据添加到原始数据集中,再次训练卷积神经网络模型。实验结果表明,表面缺陷检测模型在测试集上准确率提高了4.3%,AUC值至少提高了2%。(4)设计并实现了压敏电阻表面缺陷检测实验性系统:本文从硬件系统和软件系统方面设计了压敏电阻表面缺陷检测实验性系统,实现了图像采集功能和缺陷检测功能。实验测试结果表明,该系统具有较好的实用性,准确率至少可达96%,满足工业生产的要求。