随着自动化技术的快速发展,制造业面临着从传统制造向智能制造的转型。制造产品缺陷检测是保证产品质量的一项重要工序。随着计算机技术的发展,尤其是计算机视觉、深度学习算法理论的不断完善与应用,越来越多的企业把计算机视觉应用到产品表面缺陷检测当中,以提高设备的自动化程度,减少用人成本,提高产品缺陷检测的准确率和效率。本文研究针对铝型材表面瑕疵缺陷,设计了针对铝型材表面缺陷特点的缺陷检测算法,论文主要研究内容如下:首先研究了基于传统图像处理方法并结合机器学习SVM的铝型材缺陷检测算法。详细介绍了传统图像处理方法,包括图像滤波预处理,图像阈值分割,图像缺陷特征提取等等,介绍了机器学习算法SVM原理。然后重点针对原始铝型材缺陷检测Gaussian-yolov3算法做针对性的算法修改,第一,基于Gaussian-yolov3模型,为了加强模型对于铝型材表面小缺陷的检测准确率,使用密集连接技术,增强特征的使用率和传播效率;第二,为了适应铝型材表面多种形态的缺陷,提高卷积核对缺陷的特征提取能力,提出了带有双调节量的可变形卷积技术;第三,为了提高卷积核对图像翻转的适应性,提出了骨架卷积的技术,和传统卷积进行融合。然后,在训练模型阶段,为了使模型更稳定收敛于全局最优解,使用Radam梯度下降法代替原始的adam梯度下降法,并结合双循环的梯度下降试探算法,进一步提高缺陷检测准确性。为了解决原始铝型材缺陷图像数量不足的问题,使用贝叶斯模型自动寻找最佳的数据增强策略。最后,本文通过设置常用目标检测算法与本文改进的算法做效果对比,本文改进算法检测准确率优于常用目标检测算法,速度达到实时要求。通过设置改进方案对比实验,验证了改进方案的有效性。通过对比改进算法与传统图像分类算法SVM,本文改进算法的缺陷检测准确性要优于SVM算法。实验验证了本论文针对铝型材表面缺陷设计的算法可以满足工业检测准确性要求,有较好的实用价值。