随着图像传感技术的快速发展,视觉检测作为非接触式传感技术被广泛应用到各个领域,其可以代替人工进行自动的产品缺陷检测与品质验证,甚至可以满足自动控制整个生产工艺的要求。目前对于无纺布的缺陷在线检测过程大部分是靠人工目检检测,检测速度慢、效率低,检测结果人为因素影响大,无法实现实时快速检测。利用机器视觉的方法进行表面缺陷检测,大多存在复杂的人工特征设计,且准确率不高的现象。本文设计了基于深度学习的涂布缺陷检测系统,使用高分辨率的工业CMOS相机获取涂布生产线上的涂布缺陷图像,将其分割并归一化为256*256大小,对其进行了图像增强,将预处理后的样本图像输入到卷积神经网络,通过大数据的迭代自动完成特征向量的提取。对于训练网络中的参数采用逐一分析法,确定合理的网络参数和层级结构,进行多次实验确定参数的有效性。通过与传统的机器视觉SVM检测方法对比分析,显示出了利用卷积神经网络的缺陷检测方法的优越性。论文使用Linux系统搭建深度学习框架Caffe进行模型训练,并在海思麒麟Hikey 970硬件平台进行实验验证,有效实现了涂布生产线的缺陷检测。通过对褶皱、竖线、亮点三类缺陷以及正常图像共5352个样本数据进行训练,1200个样本进行测试,并在训练过程中对缺陷图像进行旋转、镜像、拉伸增加样本库数量来提高整个网络泛化性。实验结果表明该缺陷检测系统能稳定运行,准确识别率达91%,识别速率为0.91s,取得了一定的研究成果,可应用于同类的涂布制造领域,对后续研究有一定的参考意义。