表面缺陷自动检测对于提高工业自动化生产效益,提高产品质量有着很大的影响,而基于机器视觉的研究方法在缺陷检测领域具有很强的灵活性和高效性,已经成为工业生产制造过程中不可缺少的一部分。表面缺陷检测技术的应用可以使技术人员及时发现存在的问题并对其做出改进,减少经济损失。部署在各个生产环节中的检测系统对减少生产成本,提高生产质量以及生产效率有着举足轻重的地位。为此,本文以产品表面缺陷检测为研究对象。利用深度学习模型自学习、特征自提取的优势,开展基于深度学习的缺陷目标检测算法研究,着重解决表面缺陷检测问题,具体工作内容如下:1.本文通过对比不同的目标检测算法,最终选择以SSD目标检测算法为研究基础。提出了适合复杂纹理背景信息干扰的缺陷目标检测方法。改进SSD算法通过局部感受野融合不同尺度的特征信息,设计默认框的初始比例来应对工业产品生产中划痕这类小目标的检测要求,实现表面缺陷特征提取和识别。对大小,种类和形态各异的缺陷都有很好的鲁棒性。为了解决嵌入式平台计算能力差,无法进行大量卷积计算的问题,将轻量级移动卷积网络MobileNet作为前端特征提取器替换VGG16网络来获得更高效的缺陷检测网络。通过对DAGM 2007数据集进行训练和测试,实验结果表明在平均精确度和检测速度上均优于原始的检测器。2.针对产品制造生产过程中自动化水平高,缺陷产品产生率低,缺少缺陷样本数据集的问题。设计了基于生成对抗网络的缺陷图像生成算法来扩充样本数据集,为了降低网络的训练学习难度,在传统对抗网络基础上加入残差模块,模型只学习残差特征图,可以提高生成缺陷图像的质量。为了可以掌握缺陷的大小,形状和位置,增加样本的多样性,本文将缺陷位置的掩膜二值图作为生成网络的输入,通过控制掩膜区域的位置和形状来控制生成缺陷的区域。为了让缺陷区域和背景区域融合效果更好,本文将判别器模型划分为局部判别器和全局判别器,分别专注于图像的局部和整体,让生成的缺陷样本更自然,质量更好。3.深度学习目标检测框架众多,实现方法五花八门,没有一个统一的标准。代码质量参差不齐,为了搭建网络需要重复再造卷积神经网络下的各位框架代码。对于工业生产而言,缺陷检测技术存在的意义在于差异化领域的特定数据场景的精确度和检测速度调优。本文为了应对上述问题,基于Tensor Flow框架搭建缺陷目标检测系统,使用Google开源项目下的图像分类库Slim工具,可以搭配各种卷积神经网络,比如:VGG16,Inception等模型来充当特征提取。将样本数据集转化为TFRecord格式。随后在pipline.config中配置相关信息,使用API调用各种网络进行训练和测试数据,最后将训练完好的模型转为.pb文件部署到需要的位置,使得目标检测模型易于构建、训练和部署。