基于机器视觉的工业缺陷检测方法与人工缺陷检测方法相比,不仅节约了人力成本还具有很强的高效性和灵活性,已成为自动化检测系统的主要研究方向之一。目前基于机器视觉的缺陷检测算法主要依赖于一些规则限制和一些人为设计特征。这种模式下的缺陷检测算法无法适应缺陷的多样性,鲁棒性不高。为此,本文以多晶硅太阳能电池片缺陷检测问题为对象,利用深度卷积神经网络数据驱动、特征自动学习的优势,展开了基于深度学习的工业缺陷检测方法研究,具体研究工作如下:第一,针对多晶硅片的缺陷检测,提出了一种基于卷积神经网络的多晶硅片缺陷分割方法。多晶硅片背景复杂,缺陷出现的位置以及形状大小有很强的随机性,且缺陷面积普遍较小。为了能同时分割出不同大小的缺陷,并减少缺陷像素与背景像素分布不平衡对分割准确率带来的误差,该算法首先使用了区域建议网络提取了所有可能的缺陷区域。然后将区域建议网络得到的缺陷区域分成一定大小的图像块,并送入到分割网络中得到最后的分割结果。由于较深的卷积神经网络会丢失较小目标缺陷的信息,本方法的分割网络使用了经过空洞卷积改进的U-net分割网络。与其他分割算法相比,实验结果表明本文提出的分割算法在多种缺陷类型检测任务上都有较大的优势。第二,针对电池片断栅缺陷的检测,提出了一种基于密集连接卷积神经网络的断栅缺陷检测方法。断栅缺陷具有背景复杂、对比度低、语义信息弱的特点,因此其底层纹理特征对检测十分重要。在有限的数据量下,为了能更好地学习到底层纹理特征,本方法首先基于密集连接卷积神经网络的结构改进了一个轻量级的密集连接网络用来进行特征提取。随后将该特征分别输入区域建议网络和位置敏感得分层。区域建议网络进行缺陷区域的检测,位置敏感得分层计算缺陷出现位置的得分。最后经过区域池化层,将区域建议网络提取的缺陷区域信息映射到位置敏感得分图上,从而得到检测结果。该方法利用了底层纹理特征,并使用了全卷积层替代了全连接层,在实现可靠性检测的同时,提高了检测速度。