随着机器视觉在工业领域的广泛应用,工业产品质量检测不断朝着智能化发展。本文工业衬垫产品缺陷检测研究内容源于实际企业的迫切需要,该企业在此类衬垫产品的生产过程中,由于生产环境或操作不当导致其轮廓或表面产生缺陷,如边缘缺料导致形状与设计图（模板图像）不符,或产品表面有污渍、划痕、凹痕的情况。针对人工检测存在效率低且误检率高等问题,本文结合该衬垫产品轮廓缺陷和表面缺陷的不同特点,提出了对应的基于机器视觉的缺陷检测方案。检测方案所解决的问题包括:在轮廓缺陷检测任务中,需检测工厂所生产的衬垫产品轮廓与其模板图像轮廓是否存在不同,即轮廓缺陷,若存在缺陷,则需定位缺陷所在位置;在表面缺陷检测任务中,若存在缺陷,需检测出缺陷的种类与位置。本文的创新点和主要工作如下:（1）针对衬垫产品的轮廓缺陷检测,传统检测方法差影法无法准确检测锯齿状等不规则类型的轮廓缺陷问题,本文提出一种基于改进Hausdorff距离的分段检测算法,可用于任意不规则形状的轮廓缺陷视觉检测。该算法将匹配、对准后的模板图像轮廓和待检测的样本图像轮廓分成N个小段,计算对应分段点集的改进Hausdorff距离,并构成距离向量,最终根据设计的距离阈值函数和终止迭代条件检测轮廓是否存在缺陷,若存在缺陷,检测缺陷的具体位置。实验表明,相比于差影法,本文提出的分段法在检测不规则的轮廓缺陷时具有更好的效果。（2）针对使用YOLOv4检测器进行衬垫产品表面缺陷检测时,划痕缺陷平均精度（Average Precision,AP）较低的问题,利用生成式对抗网络生成图像的方法扩充划痕缺陷数据,实现数据增强,提高划痕缺陷检测精度。本文基于Pedestrian-Synthesis-GAN（PS-GAN）模型,提出一种基于激活函数Se LU和Alpha Dropout的SD-PSGAN模型,该模型在提高图片生成质量的同时,缓解了PS-GAN过拟合现象的发生。实验表明,数据集中加入SD-PSGAN模型生成的划痕图像后,提升了划痕缺陷检测的平均精度。（3）数据集。首先对工厂提供的少量缺陷样本进行图像采集,然后根据工厂提供的设计图定制了一批衬垫产品样本,并根据可能出现的缺陷类型制作一批不合格样本,采集图像,最后结合两部分图像形成缺陷检测数据集。