金属弧面工件表面缺陷会影响设备的外观和使用寿命。金属弧面工件以往的质检方式皆为人工检测,已无法满足当前设备商高效生产的需求。金属弧面工件材质和加工工艺繁多,不同型号间结构差异大,缺陷尺寸小且形状随机,因此传统基于图像处理的检测算法不能准确高效地提取出工件的缺陷。卷积神经网络(Convolutional Neural Network,CNN)相比于传统图像处理算法有检测时间短、无需人为设计特征以及要求用户输入的参数少等优点,而基于区域的CNN模型(Regions with CNN feature,R-CNN)更是在目标检测问题上取得了突破,但卷积神经网络的检测效果与训练样本的数量和质量有着直接关系,实际应用中为每种型号的金属弧面工件采集足够的含缺陷的样本图像所需时间周期过长。为了符合实际生产的需求,本文将卷积神经网络应用于缺陷定位并针对定位结果中的误检区域用图像处理算法进一步优化检测结果。本文的主要工作如下:本文把R-CNN的改进模型Faster R-CNN应用于金属弧面工件表面缺陷定位,针对Faster R-CNN因金属弧面工件成像差别出现漏检的问题,提出了多路Faster R-CNN检测方法,降低漏检率的同时不延长检测时间。本文针对Faster R-CNN存在的误判多检问题,使用了基于复杂度的结构误检区域排除算法,通过计算复杂度将检测结果中复杂度高的结构误检区域排除。为了提高边缘比率计算的准确度,从而提高图像复杂度计算的准确度,本文把基于最大灰度差图像的假边缘抑制算法应用到边缘比率计算中,抑制了因金属表面漫反射引入的假边缘。本文针对金属弧面工件表面区域图像的实际成像情况,使用亮度平衡、双边滤波和小波增强等预处理算法改善图像质量并突出缺陷。本文针对小波增强算法需要设置的参数过多的问题,提出一种改进的小波图像增强算法,减少参数数量,提高算法在金属弧面工件表面区域图像处理中的适应能力。最后,本文针对复杂度相近的含缺陷和不含缺陷的金属弧面工件表面区域图像,采用了基于阈值面的缺陷提取算法,排除不含缺陷的表面区域图像并标记出缺陷形状。