激光除漆是激光清洗领域的重要应用,然而在工业清洗领域,除漆检测依赖人工目检,缺乏有效的在线检测手段,限制了激光除漆的广泛应用。在激光除漆过程中,清洗靶材的色调、饱和度、金属反光率及纹理随着除漆进程而发生变化,这些图像信息包含了大量的潜在信息,能够利用机器视觉检测技术实现除漆过程的在线检测。为了实现激光除漆效果的视觉在线检测,本文针对激光除漆的清洗工艺与视觉检测技术难题,利用深度学习的算法框架研究激光除漆效果的视觉检测模型,搭建了激光除漆视觉检测实验平台和在线视觉检测软件,能够实现对激光除漆效果的实时检测。主要的研究内容如下:（1）论述了基于机器视觉的检测技术对激光除漆检测的优良性。对于激光除漆的非线性物理变化过程,采用深度学习的学习能力进行检测建模具有明显的优点。针对除漆效果的视觉检测需求搭建激光除漆的视觉实验平台进行图像检测研究,能够为除漆视觉检测提供实时、稳定、高质量的除漆效果图像数据。（2）为了构建深度学习框架所必须的图像数据集,实现图像先验知识转换,实验从样本制备、激光除漆工艺研究、除漆视觉实验等方面探究最佳除漆图像数据的采集方法,为除漆效果检测提供可靠丰富的图像判别信息,建立除漆视觉检测的判别标准,完成相应除漆效果的图像标注建立分类与分割激光除漆图像数据集,从而研究分析除漆图像检测特性与除漆数据集的数据问题,总结除漆效果的视觉检测技术难题。（3）实验采用深度学习的算法模型进行除漆效果的视觉检测技术研究,从骨干网络与功能网络两部分进行构建检测模型。通过多个卷积骨干网络性能的比较以及策略研究,实验证明了卷积神经网络对于激光除漆分类检测的有效性,确立了采用Resnet轻量化骨干网络的设计路线。在功能网络上,改进Bi Se Net架构完成的紧凑型分割网络结构设计,针对噪音样本设计损失函数进行平衡难易样本学习问题,克服分割图像的轮廓检测不准确以及噪音学习问题,分割效果达到了0.9277MIo U,完成对除漆金属表面的语义描述。为了降低计算设备的性能需求,实验完成算法模型优化,低功耗CPU达到11.4FPS的实时检测速度,具有实际的应用价值。（4）针对实验样本的除漆效果检测需求,搭建了激光除漆视觉在线检测软件,完成了软件检测结构、检测功能开发以及GUI界面设计,能实现样本的来料定位,清洗过程的分割检测,清洗后的状态定性等功能,检测软件有效地检测与反馈激光清洗过程中的除漆效果,达到视觉在线检测的目的。