随着计算机视觉的发展,越来越多的自动化质检方案被应用于工业领域。基于数字图像处理的检测方案对于特定场景的检测效果出色,但是在鲁棒性和泛化性等性能上具有一定的局限性。基于深度学习的检测方案鲁棒性较好,但其缺点是模型训练占用计算资源较多,难以部署在资源受限的场景中。本文以某电子企业生产的镀银金属工件为研究对象,从数字图像处理和深度学习两个领域分别研究一种有效的表面缺陷检测方案,主要研究工作包括:1.本文提出了一种基于传统图像处理方法的金属工件表面瑕疵检测方案。首先,为降低计算复杂度,将采集的金属工件图像进行灰度化和工件区域提取。其次,使用emphasize算法滤除噪声和增强图像细节,并且使用Sobel边缘检测算法和全局自动阈值分割方法获取表面缺陷的感兴趣区域。然后,为进一步确认缺陷区域,引入灰度共生矩阵进行特征提取,分别提取和分析各区域的能量、对比度和相关度等特征。通过以对比度作为特征指标,进行区域筛选得到缺陷区域,判断原图像对应产品是否合格,最终检测率达到82.6%。2.本文构建一种基于深度学习方法的金属工件表面缺陷检测方案。首先,选用YOLOv4作为检测模型,考虑到降低模型的训练成本,采用深度可分离卷积模块和轻量型网络MobileNetV2替换原模型中的标准卷积模块和特征提取网络;其次,提出一种图像预处理方法,在输入检测网络前定位并裁取出图像中工件的区域。然后,针对原有的mosaic数据增强方法在本数据集表现不佳和防止训练过拟合,引入新的数据增强方法。最后,为了加快训练收敛,以迁移学习的方式对模型进行预训练。在从实地采集的数据集上测试的实验结果证明,该方法对工件缺陷的检测精度达到90.63%,检测速度为33帧/秒。相比较原始YOLOv4模型,模型规模减少82.1%,提升了1.8%的检测精度和150%的检测速度。与SSD和Faster R-CNN等经典模型相比较,本文模型在检测速度和检测精度上有着出色的综合表现,能够针对工件银面缺陷进行高效的检测,对于实际工业运用具有一定参考作用。