基于机器视觉的产品质量检测技术已经在智能制造领域得到广泛应用,并取得了较好的成效。但对于低对比度的表面缺陷检测,传统的图像处理算法无法满足工厂自动化生产的要求,如何提高低对比度缺陷检测算法性能是当前机器视觉表面缺陷检测领域的难点之一。本文以磁石低对比度表面缺陷为研究对象,重点研究基于卷积神经网络的缺陷检测算法,并应用到实际生产中。获取高质量的磁石缺陷图像是所有图像算法研究的基本前提。本文首先根据磁石本身的特性对相机、镜头、光源以及传感器进行选型,为了使待检磁石表面光照分布均匀,以获取能呈现多种磁石表明缺陷特征的高质量图像,本文在硬件选型基础上尝试了多种光源组合方案,进而构建出最理想的打光方案硬件结构图。为了解决磁石缺陷样本较少的问题,本文提出填鸭式増广算法,与Mixup图像增广方法结合应用到磁石样本数据増广中,将800个有效磁石样本扩增到4800个。接下来,为了获取更多的缺陷结构和灰度特征,本文设计了一种基于浅层主干(Backbone)卷积神经网络(CNN)的缺陷检测算法用于分割磁石缺陷区域。实验结果显示,本章算法在测试集上的m Io U为0.852,检测准确率为92.08%,与其它基于深层主干网络的检测算法相比,具有相似的检测性能且检测速度更快。针对磁石缺陷检测中微小缺陷检测性能不理想的问题,在前面算法的基础上,本文提出一种基于生成式对抗网络的磁石缺陷检测算法。该方法采用浅层主干CNN作为生成器网络,生成器网络用于提取学习磁石缺陷的结构和灰度特征;在判别器网络中,采用逐层跳跃连接结构,传递多尺度特征,从而提升对微小缺陷的检测性能。通过实验显示,基于生成式对抗网络的磁石缺陷检测算法在测试集上的m Io U达到了0.875,准确率为96.54%,对微小缺陷的检测性能有了较大的提升。本文通过设计缺陷分割网络来检测低对比度磁石缺陷,并采用生成式对抗网络来提升对微小缺陷的检测能力。在磁石数据集上的测试结果表明,本文算法可以满足磁石缺陷检测的要求。因此,本文算法在缺陷检测领域具有一定的理论和工程应用价值。