针对高反光金属制品表面的缺陷检测,基于机器视觉的自动化检测技术相较于传统的人工目测,能够达到对缺陷的高精度的定量检测、部分定性检测以及位置信息检测等要求。但由于其表面的高反光特性,使得工件图像中夹杂较多高光噪声,容易造成机器误检,所以基于机器视觉的高反光金属工件的缺陷检测精度仍需进一步提高。针对高反光金属工件表面缺陷检测,本文主要从图像预处理、图像缺陷检测及基于深度学习对缺陷进行分类的三个方面展开工作:1.首先对高反光金属工件表面图像进行光照不均匀校正,采用多次迭代的基于二维伽马函数的光照不均自适应校正算法对图像进行处理。将彩色图像灰度化,并基于时域与频域,选取多种滤波算法进行分析。主要基于BM3D滤波算法进行去噪研究,并提出一种结合小波分解改进的BM3D滤波算法。通过实验验证预处理算法的效果,结果表明,光照不均校正算法能够较好的平衡图像中光照分量,并且通过改进的去噪算法,不仅有效的过滤了高光噪声点,同时也增强了ROI区域的纹理信息。2.通过对工件图像进行边缘提取及特征分析来实现对含缺陷工件的快速检测。对图像应用亚像素边缘检测方法进行边缘提取研究,对比分析几种基于矩的亚像素边缘提取方法,重点对Zernike矩亚像素边缘提取算法进行研究,并提出一种渐变式边缘模型对原算法进行改进。应用灰度共生矩阵对提取的边缘特征进行分析,并设置阈值对比分析结果来判断工件有无缺陷。实验结果显示,该方法不仅能够高效进行检测,并且检测准确率能够获得保证。3.研究了当前主流的基于深度学习的分类网络,重点分析ResNet及DenseNet网络模型,由于ResNet在训练中收敛更快,且波动幅度更小,本文选取基于ResNet50进行缺陷分类检测。通过对加快模型训练及迁移学习的研究对网络性能进行优化。实验结果显示,在硬件条件允许下,采用大的Batch_size和低精度训练可以加快网络训练速度及收敛速度,并且能提高分类精度。使用迁移学习对网络模型微调后,网络模型训练时的收敛速度及最终的分类精度均有相应的提高。基于机器视觉检测技术结合深度学习分类网络,本文提出一种基于亚像素边缘提取的缺陷快速检测方法,并应用ResNet50网络对工件缺陷进行分类。高反光金属工件缺陷检测模型相对于人工检测和传统的机器视觉检测方法,在抗干扰和检测精度等方面表现良好,最终可以达到98.3%的分类准确率,对于促进工业中高反光金属工件的视觉自动化检测具有重要意义。