陶瓷覆铜板(DBC)广泛应用于航空航天、汽车和清洁能源等工业领域。由于依靠人工筛选陶瓷覆铜板表面缺陷的工作方式具有劳动强度大和效率低等缺点,因此,基于深度卷积网络建立精准高效的缺陷检测模型是非常值得开展的研究工作。经过对缺陷图像的收集、标注和整理,成功制作出包含5种类型缺陷,超过3000张图像的陶瓷覆铜板缺陷数据集。基于该数据集,将Faster R-CNN网络应用于缺陷检测并为提升模型性能进行了一系列研究。首先,比较了几种特征提取网络,如Vgg、Res Net等提取缺陷有效特征的能力。其次,使用k-means聚类算法产生锚点框参数并研究锚点框的数目对于网络效果的影响。最后,探究了几种数据归一化方法和数据增广方式对于模型性能的影响。通过实验对比与分析,发现设置特征提取网络为Res Net-v1,使用k-means生成4组锚点框参数,对图像进行零均值化和翻转的增广处理后网络的缺陷检测性能相对较好,m AP指标值为0.589,漏检率与误检率分别为0.294与0.512,明显优于Faster R-CNN在默认的参数设置下的检测效果。为了解决数据集中图像大尺寸和缺陷多尺度的问题,本文分别提出了改进方案。首先,针对图像尺寸较大的问题,使用有重叠的裁剪方式将原图裁剪成尺寸为1000×1000的若干子图,并制作出子图缺陷数据集。然而在实际应用中,子图数据只是中间数据,需要将子图的检测结果回归到原图。为此,分别提出了一种针对几何上相邻重叠预测结果的拼接方法和一种直接生成符合原图的缺陷检测结果的卷积网络。实验对比发现,后者能更好地产生符合原图的缺陷预测结果,m AP、漏检率和误检率分别为0.585、0.280和0.481。接着,对于缺陷多尺度的问题,引入一种特征金字塔网络(Feature Pyramid Networks,FPN)增强网络提取缺陷特征的能力,实验结果显示,FPN有助于提高网络的缺陷检测性能。使用两种改进方案后,模型的m AP、漏检率和误检率分别为0.607、0.266与0.492,说明改进方案是有效的。