随着钕铁硼磁片研究与应用的进一步发展,作为低碳领域中磁极组成材料磁片的需求量剧增,磁片表面缺陷检测任务繁重。目前磁片表面缺陷检测过程主要依赖人工或者使用传统机器视觉的方法,存在着因样本数据少、磁片表面色差不一致导致检测准确率低、占用系统内存大、计算时间久的问题。本文针对小样本情况下的磁片表面缺陷检测,以高分类准确率、低耗时、模型尺寸小型化的神经网络模型设计过程作为研究对象,提出了一种优化的磁片表面缺陷检测方法。该方法分别从小样本缺陷检测准确率与模型轻量化两方面对磁片表面缺陷检测模型进行改进,主要包括:1)提出一种适用于磁片表面脏污、划痕、缺角缺陷图像采集技术方案。首先针对每种磁片表面缺陷的特征增设具体的参考标准;在此基础上对光源、相机、镜头进行选型并搭建图像采集系统,为后续的磁片表面缺陷检测算法研究提供高质量的缺陷图像样本。2)针对小样本下的磁片表面缺陷检测模型的分割准确率问题,提出一种基于U-Net卷积神经网络的磁片表面缺陷检测方法。首先通过背景分割将采集到的图像前景与背景分离,减少背景对磁片表面缺陷的干扰;然后将处理后的图像进行数据增强处理,使用随机遮挡、随机剪裁、样本配对方式实现样本图像的扩增。最后通过将注意力机制空间SE块引入到U-Net卷积神经网络中进行神经网络优化,将此方法训练出的缺陷检测模型与作为对照组的PSPNet、Deeplab和Seg Net神经网络缺陷模型进行对比验证。结果表明:在磁片表面缺陷检测过程中,改进后的U-Net模型的分类准确率明显优于PSPNet、Deeplab和Seg Net模型,实际分割效果也好于其他几种。3)提出一种磁片表面缺陷检测模型轻量化方案。首先根据本文所针对的高分类准确率、低耗时、模型尺寸小型化需求明确磁片表面缺陷检测模型的设计目标;然后对提出的U-Net卷积神经网络进行模型轻量化设计,由于卷积神经网络中的标准卷积主要通过增加模型容量进行改进,导致模型参数量大。本文利用滤波器权重的冗余,使用深度可分离卷积的变体-蓝图可分离卷积替代标准卷积,并在此基础上对蓝图可分离卷积的结构做出改进,提高了模型效率;最后分别对使用标准卷积、深度可分离卷积,蓝图可分离卷积以及改进后的蓝图可分离卷积的U-Net缺陷检测模型进行验证。结果表明:使用改进后的蓝图可分离卷积既能减小模型参数、降低模型计算量,进而提高网络的收敛速度,减少检测每张图像所消耗的时间,也能改善网络的检测性能,实现更高的分类准确率。4)综合上文的改进内容,设计了磁片表面缺陷检测方案,并进行了缺陷检测实例验证。结果表明:本方案实现了磁片表面的脏污、缺角、划痕检测,磁片的总误报率低于5%,单项缺陷的误报率低于3%,检测速度超过了400片/min,能够满足工业场景下的应用需求。