产品的表面质量是其商品价值和使用价值的重要保障，也与企业的利益和信誉息息相关。基于机器视觉的表面缺陷检测技术能在高速生产线上剔除不合格产品，在保证产品质量的同时节省大量的人力成本。所以，视觉表面缺陷检测技术有着重要的研究意义和很高的实用价值，也是智能制造技术的重要组成部分。本文针对视觉缺陷检测中尚未得到解决的若干关键技术问题展开研究，在考虑缺陷检测算法准确性的同时也充分考虑了高速生产线对实时性的要求。本文的主要工作如下：

(1)    研究显著性检测模型在缺陷检测领域的应用。提出了一个使用增强、互补或削弱等策略，融合图像多个线索的缺陷显著性检测模型。与传统的显著性检测模型相比，该方法具有更强的特征描述能力，可以检测出复杂多变的缺陷。针对磁瓦缺陷检测问题，改进 U-Net 卷积神经网络检测缺陷。在磁瓦缺陷检测任务中，该深度学习模型优于传统缺陷检测模型。

 
(2) 针对卷积神经网络参数规模大、计算量大、依赖于昂贵硬件等问题，提出一种紧凑型卷积神经网络。使用小卷积核和深度方向卷积修改残差瓶颈结构，减少了网络参数量、计算量和时间代价，使网络能在低功耗计算机中运行，降低缺陷检测系统的硬件成本。本章还使用了数据增广方法并采用预训练策略来解决缺陷图像数据严重不足的问题，采用了渐进式训练策略改善网络不收敛和微小缺陷识别率低的问题。本文提出的端到端的紧凑模型不需要人工设计特征、预处理、后处理等繁琐操作，且能在低性能的 CPU 上进行实时缺陷检测。在热轧带钢、铁轨等多个表面缺陷数据集上的测试结果表明，与多种相关方法相比，本文提出的模型在最少的参数量的情况下，可以获得最高的准确率和最快的检测速度。

(3) 针对大幅面、高分辨率图像的微小缺陷检测问题，设计了一种多任务型卷积神经网络。利用快速下采样层，使网络在保留更多的图像细节的同时，有效地减少网络对显存的占用；采用多任务监督策略，使得缺陷二分类和多分类的性能都得以提升；使用常规增广、随机掩模和条件 Inpaint 等数据增广方法，解决了高分辨图像样本不均衡和数据不足等问题。本章还分析了不同类型的损失函数对网络性能的影响，在高分辨率的布匹缺陷数据集上验证了本文提出的多任务型卷积神经网络的有效性。与其它多种相关方法相比，在有限的硬件资源下，本章所提出的方法获得了最高的准确率，且算法的运算速度达到了实时检测高分辨率图像的需求。

 
(4)  
针对无法通过二维图像进行可靠检测的微小三维形变缺陷，设计了两种不同的高精度线结构光三维视觉传感器。通过改进 Steger 算法和使用 FPGA 硬件加速等方法，提高了三维视觉传感器的扫描频率。本文提出的由粗到精的重心法能在普通 CPU 上达到 280 Hz 的扫描频率，可以较好地满足高频率扫描应用场景的需求。本章还提出了基于特征直线加速的倒角匹配方法和改进 FDCM 方法来配准三维深度图的方法，可以检测亚毫米级别的三维形变缺陷并大幅减少 FDCM 方法的计算量，使三维缺陷检测系统能够达到实时检测的要求。

本文的最后还简单总结了本文的工作成果，并讨论了在本文的研究基础上可以进一步开展的研究工作。