在“十四五”发展规划中,智能制造是工业发展的必然趋势,光学镜头是智能制造中不可或缺的一部分。镜片作为光学镜头的重要组成部分,镜片质量的好坏对镜头性能有着举足轻重的影响。在镜片生产过程中,难免会产生各种类型的疵病,传统人工目视检测方法效率低、成本高、稳定性差。依赖于人工提取疵病特征的机器视觉检测方法,通过机器代人降低了检测成本,提高了稳定性,但仍严重依赖于检测经验,且受环境影响较大。基于深度学习的疵病检测降低了环境因素的影响,但在训练数据集过小的情况下,容易出现过拟合问题,同时对于小目标类型的疵病检测精度低。针对人工目视检测存在的问题,搭建了基于机器视觉的镜片疵病检测系统,实现多镜片的疵病检测。其中包括工业相机选型、机器视觉镜头设计、照明光源选择、照明方式分析,实现对宽度大于等于0.06mm的划痕、等效直径大于等于0.4mm的麻点、异物等疵病的检测。通过图像处理算法分割出单镜片图像,使用Label Img工具标注疵病信息,得到1278张镜片疵病图像作为数据集。针对深度学习方法容易出现过拟合问题,提出了一种双通道生成对抗网络数据增强方法。采用改进的VGG-16模型作为特征提取层,提取镜片疵病图像的深层特征;再由全局鉴别层和局部鉴别层两通道组成生成对抗网络的鉴别器;局部鉴别层借鉴马尔科夫判别器和YOLO模型,增加疵病类型置信度损失,实现对局部信息的增强。实验结果表明,提出的数据增强方法在p1-NN值,MMD距离以及WD值3个评价指标中分别达到0.52,0.15,2.81,可以有效的增强镜片疵病数据集。针对小目标类型疵病检测精度低问题,提出一种基于多尺度Faster R-CNN的镜片疵病检测网络。以Faster R-CNN作为基础网络框架,设置不同的Io U值,验证网络对镜片疵病的检测精度,增强各类型疵病的检测效果;采用特征金字塔作为特征提取层,提取疵病的浅层细粒度特征和深层语义特征,提高小目标检测精度。通过对比实验分析,采用特征金字塔,Io U等于0.7时,模型的识别质量优于其他方案,对麻点、气泡、划痕、异物四种类型疵病的综合检测精度达到98.59%,召回率达到98.28%。