在工业制造和生产中,由于某种因素可能会导致产品表面出现一些瑕疵,而产品表面的感观程度也影响着整个行业的发展。传统的对于产品表面的缺陷检测首先要先建立好品样本的模板,再将待测试样本图像与建立好的标准模板进行比较。在采集过程中,受光照强度、采集位置以及其他因素的影响,因此在比较前还需要进行预处理、模板匹配等操作,这使得整个检测变得既耗时又耗力。近年来,深度学习的发展使得目标检测、语义分割等监督性的学习任务有了巨大的突破,深度学习的一个突出特点就是网络可以自动学习图像特征。与传统方法相比,基于深度学习的缺陷检测大部分为有监督式学习,在一定程度能够提高检测的精度,但是需要大量的缺陷样本数据进行训练,而在生产过程中,受到各种随机因素的影响,无法完全预测缺陷的类型。因此,利用深度学习进行有监督式的网络训练学习,在缺陷检测任务中并不太适合。针对上述方法存在的问题以及在实际应用的需求,本文提出了基于无监督学习的产品表面缺陷检测方法,主要贡献如下:提出了交叉叠加结构的自编码图像重构模型。本文针对非重复性周期背景的数据集,基于自编码采用残差编码解码网络完成图像重构。编码与解码设计为对称结构,编码网络中设计交叉叠加特征图结构,保留更多图像特征信息内容。使用同类型数据集,网络主动学习数据在隐藏空间中的特征向量表示,得到对应的重构图像。对于待测试样本图像,如果符合训练集类型的图像分布,则网络能够将其重构;若为其他种类数据,通过编码得到的特征向量与在训练阶段学习的特征向量分布差异较大,因此,不能将其很好的重构。在烟盒印刷品数据集上进行重构实验表明,基于深度卷积神经网络建立的残差自编码网络模型在图像重构的准确性上有一定的提高。提出二次编码模型检测算法。主要针对传统检测方法中繁琐的处理工作以及在深度学习中有监督式检测算法对于坏品数据集数量、缺陷类型等的要求,提出基于图像重构的无监督缺陷检测算法。只利用好品数据,并且无需知道缺陷的类型以及缺陷数据的数量,在图像重构的自编码网络后添加编码设置,将重构出的好品图像进行第二次编码。在整个模型中,图像进行一次编码和二次编码,若为好品数据,则两次编码之后得到的特征向量之间的差异不会太大;若为缺陷数据,由于网络只对好品数据进行学习,因此两次编码后得到的特征向量差异较大,通过在特征向量层面以及图像层面设定相应的阈值,在检测阶段完成对缺陷数据的判断。