金属构件在生产制造过程中,由于生产工艺和环境等的影响,常常会造成裂口、锈蚀、孔洞和划痕等各种外观缺陷。外观的缺陷会直接影响到产品的质量,为了提高金属构件的质量,在出厂前需要对外观缺陷进行检测。基于机器视觉的表面划痕检测方法由于具有准确率高、速度快且稳定性强等优点,已被广泛地应用在各种产品的外观质量检测领域。但是对于具有复杂纹理且表面划痕尺度较小的工业产品,利用传统的机器视觉方法很难提取到有效特征。且传统的机器视觉检测方法受光照、噪声等影响较大,检测正确率较低。而基于深度学习的划痕检测方法利用卷积操作能够自主提取图像的深层语义特征,提高了人眼难以区分的划痕的检测精度。本文深入研究了车用温度传感器金属垫圈表面细小划痕的检测问题,提出了基于改进U-Net的金属垫圈划痕检测方法。本文的主要工作如下:（1）分析了金属垫圈表面划痕的特点和机器视觉检测技术的需求,确定了划痕检测系统的总体设计方案。为了自动拍摄突显划痕特征的高质量图片,对工业相机、光源以及镜头等硬件进行选型。搭建了包含机械臂、图像采集、光电传感器和传送带等部件的工作台,实现了检测线的全程自动化检测作业。（2）针对划痕较浅且划痕形态多样的问题,提出了一套基于形态学特征的划痕检测流程。对划痕图像进行滤波、增强和ROI区域的提取,然后分析对比了主流的传统图像分割算法,选用了顶帽算法对图像进行分割。图像分割后,采用膨胀、骨架提取与区域生长等方法对划痕进一步处理,得到尺寸和形态都接近真实划痕的划痕图像。（3）针对U-Net网络检测划痕时出现浅层特征丢失的问题,提出了融合浅层特征的IU-Net网络进行划痕检测。在U-Net网络的跳跃路径中添加卷积层和短链接以提取更多的浅层特征,并将提取到的浅层特征与对应的上采样的特征图进行拼接,让高维的特征图结合更细致的浅层特征,确保网络最终学习到的特征中既包含能够将划痕与背景区分的语义信息,又包含能够精确定位划痕边缘的纹理特征和位置信息。（4）针对IU-Net网络参数过多、检测速度慢的问题,提出了将普通卷积改为深度可分离卷积来减少参数量。深度可分离卷积将普通卷积分为深度卷积和点卷积,先对不同通道分别做卷积提取输入通道的空间信息,然后通过点卷积提取每个点的特征。深度卷积的使用,减少了参数量,提高了运算的速度。（5）针对划痕检测时易受背景复杂纹理和噪声等的影响,提出了基于注意力机制的Attention IU-Net网络。Atteniton IU-Net网络添加了注意力门,注意力门重新调整了输出特征图的权重,赋予划痕区域更多的权重,抑制了背景无关区域的响应,进一步提高了划痕检测的精度。实验结果表明,本文提出的方法检测划痕的误检率低于3%,能精确检测0.5mm以上的金属垫圈表面划痕,检测一张图片的最大耗时不超过2.3秒,精度和速度都能够很好地满足工业检测的要求。