基于人工智能的缺陷检测方法被广泛应用于大批量工业生产中的产品缺陷检测。缺陷检测方法主要有监督学习法和无监督学习法,对比需要大量缺陷样本训练的监督学习方法,无监督学习方法由于仅需要少量的正常样本进行训练即可用于缺陷检测,具有成本低廉、通用性更强、训练时间很短等优点,因此更适合于工业生产情景中产品表面的缺陷检测。但是目前基于无监督学习策略的方法各有优势与不足,尚没有实现高精度、快速、低内存开销目的。本文基于经典的教师学生网络,结合近年出现的区域分布模型（PaDiM）,设计出了两种兼具精度高、速度快、低内存开销的改进无监督学习缺陷检测方法。改进后的方法精度更高,并在实际应用场景中进行了应用测试,实验结果表明本文改进的无监督学习方法有效实现了产品表面的缺陷检测。具体主要研究内容如下:1.针对教师学生网络预测速度慢,不能同时进行缺陷定位的问题,提出了一种多学生教师网络。使用多个学生网络联合回归教师网络的输出,选择学生与教师的输出在各维度上平方差的最小值作为差异值;用网络中间层信息代表图像各区域特征计算异常距离并进行异常分割定位缺陷,用最大异常分代表图片的异常程度进行图片的缺陷检测。在MVTec AD数据集上的实验结果表明,该方法预测耗时从平均一张图1小时降低到一张图0.17秒,可以同时输出缺陷定位结果,缺陷检测效果的评估指标Image AUROC从87.4%提高到91.1%。2.提出了一种轻量化的区域分布模型（Light PaDiM）,解决由于区域分布模型（PaDiM）内存需求过大造成在多数机器上无法运行、速度偏慢的问题。首先,用骨干网络提取正常图片与测试图片的特征并进行PCA降维;然后,计算测试图特征到正常图特征分布的马氏距离,计算协方差矩阵时添加了偏置矩阵;最后,用马氏距离代表测试图的异常程度分割缺陷区域,并判断图片是否有缺陷。在MVTec AD数据集上的实验表明,在保证精度少量提升的基础上,内存需求从13.1GB以上降低到3.9GB,预测耗时从平均预测一张图0.77秒降低到预测一张图0.33秒。3.开发了基于Pyqt5的无监督学习产品表面缺陷检测系统,并将本论文开发的无监督学习方法应用于实际工业生产情景。使用QTdesigner创建系统各窗口,添加各种控件设计外观;使用Pyuic5将设计的窗口外观文件转换为Python代码文件,编写各控件的槽函数并链接到对应的信号函数;使用轻量化的区域分布模型方法进行缺陷检测与定位,设计了对测试数据集缺陷检测和使用完整数据集测试模型效果的功能;最后,使用CV2读取摄像头信息,设计了实时缺陷检测的功能。实验结果表明,系统能够正常的运行并执行各缺陷检测功能。