曲面玻璃因其独特的外观设计越来越多的应用在3C智能终端产品上,其弧边设计不仅能提升3C产品的收讯功能,同时增强了用户体验感。然而,在其制造生产过程中,外观缺陷的检测目前仍然由人工检测或传统检测方式为主,难以满足大批量制造的生产效率和品质一致性要求,高效智能化的检测技术和方法是当前行业急需解决的瓶颈问题。近年来,检测领域兴起的基于深度学习的视觉检测技术具有特征提取能力高,识别分类能力强的特点,在曲面透明玻璃外观缺陷目标检测上已开始了研究和应用,但是,曲面玻璃外观缺陷目标小,容易漏检,且其曲面的高反光、大曲率半径特征严重影响成像质量,进而影响检测算法的效率及鲁棒性。为此,本文针对曲面玻璃的外观缺陷检测,深入展开了基于深度学习的视觉检测技术研究,在保证检测精度的同时提高了检测系统鲁棒性。具体研究内容如下:(1)针对曲面透明玻璃在成像过程中成像质量差的问题,展开曲面透明玻璃高反光、大曲率半径特点及光学特性研究,提出一种多条形光源组合的低角度打光方法,并加入特点角度的起偏镜和检偏镜来避免成像过程中由于曝光和重影现象产生的“假缺陷”。进而设计了一套适用于曲面透明玻璃外观缺陷的成像系统,其所呈样本图像清晰、缺陷凸显,解决了缺陷检测数据高质量样本获取的问题。(2)针对检测过程中灰尘颗粒与检测对象混淆及采集的数据量不足、形式单一问题,对灰尘可能吸附的位置进行深入分析,提出一种基于残差去噪的方法来减少灰尘对真实缺陷的干扰。在对目前深度学习常用的数据扩增方法进行系统研究后,引入了图像的翻转、旋转、平移和随机噪声加入的系列操作,实现数据多样化,且每种缺陷样本都扩增了三倍数据量。(3)针对实际检测过程中对检测精度和检测速度的要求,在对实验室前期已经开展的基于二阶段检测的Faster R-CNN和基于单阶段检测的SSD深度学习算法研究的基础上,分别采用这两种算法进行了缺陷识别实验,通过对两组实验的结果分析得到两种算法对细微缺陷检测都存在不足,最后针对存在的问题提出了进一步的算法优化和改进的方法。(4)针对Faster R-CNN和SSD对小缺陷目标检测效果差的问题,在对小目标检测特性进行深入研究后,提出改变anchor尺度和密度的方法来优化Faster R-CNN,并提出基于反卷积特征融合的方式来改进SSD算法。最后设计实验并对比实验结果可得:优化和改进后的算法对小目标的检测精度都有提高,检测精度分别为90.9%mAP和90.3%mAP,虽然基于反卷积特征融合的SSD算法比优化的Faster R-CNN检测精度低0.6%mAP,但检测速度比其快十倍左右。结合工业生产中对检测精度和检测效率的要求,基于反卷积特征融合的SSD算法更适用于本文检测对象。(5)最后,针对曲面透明玻璃外观缺陷检测,在基于反卷积特征融合的SSD算法基础上设计了一套在线检测系统,并结合检测系统软硬件部分,搭建测试平台,对检测系统进行验证和应用。研究和测试表明:本文研究为曲面透明玻璃外观缺陷检测提供了一种可行的解决方案,且为最终应用于生产奠定了基础。