近年来,随着深度学习技术和硬件技术的发展,基于深度学习的图像检测算法快速发展,并在智能制造、智能安防和医疗诊断等领域得到了广泛应用。但随着技术应用的逐步深入和推广,部分复杂生产环境下的图像检测也成为了图像检测发展的阻力。而液晶面板制造行业作为国家战略扶持行业,涌现出了一批如京东方、华新光电等的知名企业。随着液晶面板产业规模的逐步提升,对于液晶面板制造领域的自动化算法研究就成为了一个相当重要的研究领域。本文主要针对液晶面板生产制造过程中的TFT涂层可能存在的瑕疵（defect）及其影响情况进行检测。该检测也可以细分为无监督的TFT金属线路检测和有监督的defect检测工作。由于传统的无监督图像检测方法无法同时兼顾图形纹理信息和先验信息,为了提高模型对于无监督金属线路的检测能力,本文创新性地提出先用滑窗匹配加平移的方法预标注金属线路来获得先验信息,再使用神经网络进行训练来提取图形纹理特征。同时,为了满足模型同时检测defect和金属线路的要求,本文在传统的Mask R-CNN和人体姿势检测网络的基础上提出Mask-Point R-CNN,来同时完成defect分类,defect分割和金属线路的分割工作。同时,针对于TFT图片拍摄镜头稳定,不存在传统的图像中的大幅度旋转缩放的情况,本文使用计算获得的缩放和旋转系数样本分布来抽样进行数据增强操作,使得增强获得的数据更贴近真实样本。此外,本文结合TFT图片中部分图片存在难分类、易混淆的特点,本文提出在模型训练时使用与损失成正比例关系的动态权重来抽样进行训练,提高模型对于该部分数据的拟合能力。而后,本文针对Mask-Point R-CNN损失函数中的各项权重比例进行了调整,提升模型对于不平衡数据和分割数据标注精度低的处理能力。最后,本文利用以上模型在华新光电提供的某一生产线中的单个月度TFT数据上进行了实证研究,得出的结果表明本文的提出的Mask-Point R-CNN在金属线路分割问题上相较于传统方法有5%以上的提升,defect分类准确度上有3%以上的提升。