铝型材是我们日常生活中最常用的一种型材,广泛应用于航空、建筑、工业、家装门窗等领域,由于其需求量巨大,我国铝型材产销量逐年成递增趋势。在不同的应用领域,对于铝型材的质量要求也不尽相同,在铝型材的生产过程中,由于多种因素诸如机械摩擦、产品工艺、原材料等方面的影响,会导致生产出的铝型材存在不同类型及不同程度的缺陷。目前铝型材厂家对于铝型材产品的缺陷检测普遍采用人工检测的方式,但这种检测方式具有较大的局限性,且具有较强的主观性,无法形成统一的评判准则,无法适应现代化工业生产的要求。近年来,随着机器视觉及深度学习技术的快速发展,基于机器学习与深度学习的表面缺陷检测方法为铝型材产品自动化质检提供了一种新的思路。因此本文将机器视觉与深度学习相结合,提出了一种基于深度学习的铝型材表面缺陷检测系统。首先根据检测任务需求,设计了一种铝型材表面缺陷检测系统,系统主要包括光源模块、图像采集模块、传动模块及分拣模块四部分,实现铝型材表面图像信息的采集及对正常产品及缺陷产品的分拣;其次,在现有公开数据的基础上,构建铝型材表面缺陷检测模型所需数据集。对铝型材表面存在的缺陷类型及缺陷形状进行分析可得其表面缺陷类别主要包含擦花、碰伤、漏底等10类,缺陷具有尺度差异大、形状不规则等特点。根据铝型材表面所存在缺陷的特点,本文提出了一种基于Faster-RCNN的铝型材表面缺陷分类算法,为提升模型特征提取能力,在特征金字塔的基础上,提出一种频率加权噪声过滤金字塔,采用高低频特征加权及噪声抑制方法提升模型提取到特征的表征能力;采用形变卷积提升模型对于不规则特征的提取能力;提出一种多阶段训练方式,充分利用了模型自身所产生的对抗样本,提高了模型对于缺陷的分类精度,通过测试集验证,改进后的模型平均分类精度可达到97.93%,具有较好的缺陷分类效果。针对铝型材表面缺陷区域检测问题,本文提出一种改进级联结构的铝型材表面缺陷区域检测模型,在原始Faster-RCNN的基础上采用改进三级联结构的网络模型,并引入困难样本挖掘,提高了模型对于不同尺寸缺陷区域检测效果;提出一种随机多尺度缩放输入策略,提升了网络对于同一片区域的多缺陷检出效果,经过实验验证,模型整体m AP达到89.29%,检测效果良好。最后,采用QT软件编写铝型材表面缺陷检测系统终端上位机界面,将检测装置与检测算法集成化;通过上位机下发指令可控制检测装置传动,采用Open CV可对检测装置的摄像头进行调用。系统终端实现了图像采集、图像处理、图像检测、结果存储的一体化操作,降低了系统操作难度。经过实验验证,本文的研究达到了预期要求,提高了铝型材表面缺陷检测的自动化程度,满足实际工业生产部署、操作需求。