近年来,深度神经网络在图像处理领域取得了巨大的成功,并在图像分析和图像识别方面达到了最先进的性能。越来越多的深度学习方法从理论走向实践,在医疗,交通,教育,工业等各个领域有着广泛的应用价值。在工业生产上,工业产品表面缺陷检测环节对于保证产品的高质量和生产效率十分重要,并且需要在保证缺陷识别的准确率较高的前提下提高检测速度。卷积神经网络凭借其强大的特征提取能力,可对图像进行准确分析和识别,在工业缺陷检测中发挥着重要作用。工业生产环境相对较为复杂,因此设计出具有高精度和强鲁棒性的检测模型是本文的主要工作。本文主要设计出工业缺陷检测系统,并且对其进行改进,具体内容如下:1.提出了一种基于回归的通用工业缺陷检测框架。具体来说,该框架包含四个模块:基于深度回归的检测模块,像素级别过滤模块,连通域分析模块和缺陷分类模块。为了训练检测模块本文提出了一种高性能的回归网络和一种从标注数据中产生标签获取缺陷严重程度信息的算法。本论文已经在两个公共基准数据集Aigle RN,DAGM2007和一个真实工业电容数据集上测试了该方法。结果表明,本论文所提出的方法在检测精度,图像分割性能和速度方面有明显的优势。2.对所提出的工业缺陷检测框架进行改进。主要是设计出基于U-net结构的回归网络模块和加入抗锯齿处理的缺陷分类模块。为了更好的适应工业生产环境,结合U-net网络结构中的转置卷积,跳层结构等特点对缺陷回归模型进行改进,进而提高网络的图像分割性能。在缺陷分类上,主要针对图像平移不变性问题进行深入研究,将抗锯齿处理加入分类模型中,对卷积层和池化层等下采样操作进行相应的改进处理,提高模型的鲁棒性。相比之前的缺陷检测模型和当前流行的分割网络,改进后的模型在工业数据集上表现效果更好。