随着制造业发展的复杂化与高精度化,基于传统数字图像处理的瑕疵检测已经无法满足实际生产需要。人工智能的飞速发展,促使基于深度学习的瑕疵检测方法成为工业视觉领域中的主流研究方向之一。深度学习技术以数据为驱动,通过对正负样本的特征学习完成瑕疵检测。而样本标注的工作量巨大,同时工业产线上无法收集到足够的真实瑕疵样本,这导致基于深度判别模型的检测网络无法充分学习到负样本特征与环境噪声,泛化能力较差。针对这些问题,本文基于深度生成模型,构建了一个面向工业电子屏幕的表面瑕疵检测系统。该系统可以缓解深度模型训练数据不足的问题,同时提升瑕疵检测精度。主要的研究内容如下:(1)针对工业场景下环境噪声多、瑕疵样本缺乏导致的检测能力不足的问题,本文基于深度卷积生成式对抗网络,提出面向工业视觉的背景生成模型,在仅使用工业良品图片的情况下,对正样本的纹理特征信息进行生成学习。整个网络对于样本集的多样性,有良好的模拟生成的能力,实现了对复杂工业环境带来的不均匀输入图的生成,同时避免了对负样本的依赖与数据的标注工作。(2)针对不同工业瑕疵之间特征信息差异较大导致的检测精度不够的问题,本文提出基于融合深度生成模型的背景重构算法,将自编码器与研究(1)中生成式对抗模型进行组合,实现了对缺陷图片的背景重构,将深度学习的检测问题转化为背景重构问题。同时通过数字图像算法完成重构的后处理与瑕疵的定位任务,实现完整的检测系统。研究结果表明在负样本不够充分、环境噪声影响大等不利因素下,本文的检测系统能够达到89.07%的缺陷检测精度。