金属表面瑕疵的自动化检测是工业质量控制领域的研究热点,工业制造商对金属表面质量的高标准对计算机视觉检测系统及其算法的性能提出了更高的要求。由于金属表面瑕疵类别的复杂性和多样性,以及纹理区域、噪声灰尘等干扰的存在,检测划痕、裂纹和凹痕等缺陷对传统的计算机视觉方法来说是一项挑战。传统图像处理需要排除外界干扰对瑕疵进行统计分析,以定性或定量的方式表示特定瑕疵,在应用以及性能上具有一定的局限性。而深度学习可于数据集中自主学习更加抽象的高层表示,可鲁棒地胜任金属表面瑕疵识别任务。但往往,深度学习模型的精度伴随着高昂的计算成本以及存储成本,这些特性同时也限制了深度学习于资源受限的嵌入式终端的应用。因此本文研究一种轻量型的神经网络用于金属表面瑕疵检测任务,主要研究工作包括:1.本文针对研究对象中的黄斑、划痕、开裂和杂质4种瑕疵,提出了一种基于传统图像处理方法的金属表面瑕疵检测系统。首先,将采集图片中的金属产品分割成纹理区域、光滑区域和外圆区域三个部分。其次,为降弱光照不均的影响,再将光滑区域和外圆区域通过八个扇形掩膜分割为八个区域。在不同区域分别以不同的平滑度、灰度均值作为判别阈值,其中平滑度主要用于筛选出划痕瑕疵,灰度均值主要用于筛选出黄斑瑕疵。最后,通过动态阈值分割提取形态特征用于判别是否存在开裂以及杂质。通过上述三个特征的层层筛选,判别待测图像对应的产品是否是合格品,最终准确率达到91.1%。2.相较于传统卷积神经网络,本文采用迁移学习构建一种基于MobileNetV2的金属表面瑕疵分类系统。构建该系统的数据集是于工厂实际采集的金属产品图片,同时为扩充数据量,添加东北大学金属表面缺陷数据库,最终数据集共计九种类别的瑕疵以及一种正常产品。通过计算网络的识别率、模型参数量和模型计算量,将MobileNetV2与其他五种网络模型进行试验对比,相较于准确率最高的VGG19,虽然在准确率方面MobileNetV2低了0.10798%,但其参数量以及运算量较VGG19而言,分别降低了98.4023%和98.4109%。通过计算基于预训练的MobileNetV2的分类系统的准确率、精准率、召回率和F1指标,证明所提系统在性能上的良好性以及稳定性。最后,基于MobileNetV2的金属表面瑕疵分类系统于测试集的识别率为97.96%。3.在上述轻量型卷积神经网络的基础上,介绍模型压缩的常用方法,包括剪枝、量化和低秩分解等。为实现更低的模型参数量以及模型计算量,本文采用三种不同的剪枝方法L1-norm、Slimming及Auto Slimming对第三章所提的基于MobileNetV2的金属表面瑕疵分类系统进行剪枝,实验结果证明,该模型在Slimming剪枝方法上的性能最佳,剪枝后的系统在金属表面瑕疵识别任务中的准确率为95.89%,模型大小由313.5M缩小为127.5M,模型参数量由2.24M缩小为0.98M。同时针对四种不同的网络模型MobileNetV2、VGG、Res Net50、Shuffle Net V2在Slimming剪枝方式下的金属表面瑕疵分类系统,分别从剪枝前后的识别率、模型参数量变化以及模型计算量变化进行对比,实验结果表明基于预训练的MobileNetV2的分类系统在Slimming剪枝方法的作用下,在金属表面瑕疵识别任务中精度达到最高,同时模型的计算量和参数复杂度也降到最低,有利于在嵌入式和移动终端设备上实现基于深度学习的金属表面瑕疵识别任务,为人工智能在工业生产环节的应用提供一定的实践参考。