近年来,计算机视觉和深度学习的不断进步取得了瞩目的成功,不仅在学术界中被广泛研究,在工业界中也被大量应用。其中,目标检测是非常基础和经典的课题,而缺陷检测则是目标检测极具工业价值的应用领域。传统的缺陷检测算法通常首先提取图像中的特征,进而将特征作为分类器的输入对图像分类。这类方法存在着特征选择要求严格,分类模型泛化能力较弱,容易受成像效果、零件纹理、光照条件和噪声等因素影响的缺点。此外,既有的基于深度学习的缺陷检测算法一般也存在两个不可忽视的缺点,首先模型训练需要大量数据;其次模型对小目标效果不理想,而在零件缺陷检测中,缺陷往往较小。这些困难和挑战严重制约了缺陷检测在实际场景中的应用。针对上述挑战和业界需求,本文首先从硬件设计和算法设计两个角度出发,提出基于光线反射原理计算零件表面法线的方法,接着将其作为传统缺陷检测算法的输入,取得了理想的效果。我们还将法线图应用到深度学习算法中,对比和分析了二者的结果。本文的主要工作和创新有:1.本文提出了一种零件表面法线提取算法,包括硬件设计与算法设计两部分内容。算法使用不同方向光源下拍摄得到的零件照片作为输入,基于光线的反射原理计算零件表面法线。首先,我们设计了一套硬件设备,该设备包括遮光模块、平台模块、灯光模块、拍照模块和控制模块五大模块,这些模块将相机、步进电机、LED灯带、滑轨、偏光镜和滤光膜等不同硬件组合成一个整体,可以捕获不同方向光源下的零件照片。接着我们将设备得到的零件照片作为法线计算算法的输入,提取零件法线。为了优化照片的质量,提高零件法线的精度,在实施法线计算算法之前,本文首先对相机进行校正,并对方向光源产生的光线损失进行光线补偿。校正算法包括白平衡校正、色彩校正、畸变校正。补偿算法首先预存储一套补偿数据,接着利用它对新的照片进行补偿。值得一提的是,我们的法线提取算法不仅可以用来获取零件表面法线,还可以用来获取其他材质的表面法线。2.本文将法线图作为缺陷检测算法的输入,研究了该背景下的最优特征组合及基于Adaboost方法的强分类器组合,对传统的缺陷检测算法进行了改进,并在进行了充分的实验验证。本文首先使用传统检测算法进行检测,算法包括数据预处理、特征提取、设计和训练分类器以及用分类器进行检测等步骤。在数据预处理阶段,我们首先使用零件主表面提取算法滤除照片中的无关背景,接着使用数据增强的方法扩大数据规模。在特征提取阶段,我们分别提取了 Haar-like特征、图像梯度特征、LBP特征、GLCM特征、HOG特征等不同的图像特征,并分析了不同特征的分类效果,根据分类效果对特征进行组合,从而得到一组最优特征组合。在分类器分类阶段,由于缺陷零件较少,导致样本分布不平衡,我们使用随机抽样的方法将数据集划分为不同的子数据集,使每个子数据集拥有平衡的样本分布。在训练阶段,我们使用支持向量机作为基分类器,对于每个子数据集,我们训练多个不同的基分类器,并利用Adaboost的方法将其组合成一个强分类器,最终每个子数据集得到一个强分类器。在检测阶段,我们将这些强分类器组合成级联检测器,进行缺陷检测。3.本文将法线图作为深度学习模型的输入,实验了基于深度学习的缺陷检测算法。本文首先使用滑动窗口的方式将法线图分割成不同的窗口,接着使用分类模型对这些窗口做分类。在准备数据阶段,我们使用与传统算法中相似的预处理方法对数据进行处理。在模型设计阶段,我们针对零件缺陷检测问题调整和优化了模型。在模型训练和检测阶段,我们同样将数据集划分为不同的子数据集,每个子数据集训练一个模型,并利用级联的方式将它们组成一个级联检测器。最后本文还将深度学习模型的检测结果与传统检测方法的结果进行了对比,分析了二者各自的优缺点及原因。