手机屏幕作为手机的重要组成部分,成为了人机交互的主要窗口。但是由于生产过程中的诸多不确定因素,不可避免的会有存在瑕疵的屏幕被生产出来,所以对于屏幕质量的检测是不可或缺的。当前手机屏幕检测的主要方式是人工检测和传统机器视觉检测。人工检测的方式主观性比较强、易疲劳,不能很好地保证高效性和准确性;传统的机器视觉检测方法则存在特征提取能力差,兼容性低且普遍存在耗时较高的问题。针对以上问题,本文提出了以孪生卷积网络为算法核心的手机屏幕瑕疵检测系统,并构建了相关数据库系统来进行信息管理和模型更新。本文将瑕疵检测任务变为多分类问题,即将屏幕分类为无瑕疵和包含特定瑕疵。本文对收集到的屏幕瑕疵数据集,进行了瑕疵类别归纳和特点分析。针对手机屏幕瑕疵不同种类间容易混淆、同一种类特征分散的特点,本文提出了基于孪生网络的深度学习算法,将相似性度量纳入到分类任务中,来满足瑕疵类内紧凑,类间分离的要求;将对比损失加入到反向传播中,同时根据实际情况对对比损失进行了改进,使模型训练更加科学。以新的网络模型为基础,本文设计和实现了模型训练和检测流程相结合的手机屏幕瑕疵检测系统,完善了数据集扩展和图像预处理技术。实验结果表明,本文提出的手机屏幕瑕疵检测系统具备良好的检测效果,具有很大的应用价值和发展前景。本文基于瑕疵检测研究的需要,利用相关计算机技术建立了一个手机瑕疵数据库。数据库包括图像数据管理和用户信息管理的功能,实现了手机屏幕数据的上传、查询和修改。同时该系统能够利用已有数据对本文提出的孪生卷积网络进行更新。通过对其相关功能进行测试,该系统可以有效帮助企业员工和科研工作人员在数据管理和共享、提高系统准确性方面节省时间和资源,证明了其有效性和实用性。