在产品生产过程中,由于制造工艺简单、操作不当等因素,导致产品表面缺陷难以规避。若未能及时处理这些缺陷,将对产品的外观和功能产生重大影响。传统的人工检测依靠肉眼识别缺陷,存在速度慢、成本高的缺点。伴随图像处理、模式识别等技术的发展,基于机器视觉的自动检测已充分应用于产品质检环节。但是,针对产品表面存在的微小缺陷,机器视觉检测难以充分提取微小缺陷的特征信息,漏检现象时常发生。由于深度学习拥有自主学习特征的性质,能够提取缺陷目标更深层次的特征,为微小缺陷的精确检测提供可行之道。本文研究基于深度学习的表面微小缺陷检测算法,主要的研究内容分为以下三个方面。首先,设计YOLOv3-M目标检测算法。通过对比分析主流目标检测算法,结合检测任务的要求选择YOLOv3检测框架,在此基础上进行改进并设计YOLOv3-M目标检测算法。主要改进如下:a)针对小目标检测精度不足的问题,本文将经过YOLOv3主干网络8倍下采样的特征图进行2倍上采样,再与4倍下采样特征图融合,获得尺寸更细的特征图以提高网络对小目标的检测精度。b)为了改善目标定位存在偏差的现象,本文使用K-means++算法优化初始聚类中心的位置,从而改善先验框的参数,生成符合目标尺寸大小的先验框;同时采用基于GIOU的损失函数替换原始的IOU损失函数,在原始的损失函数中添加预测框与真实框的非重叠区域的计算,使网络对两个边界框之间的偏差更加敏感。其次,制作并增强数据集图片。本文将收集的手机屏幕缺陷图片和铝材瑕疵图片制成两个标准的VOC数据集,由于生成的缺陷图片稀少,因此需要对缺陷图片进行翻转、旋转、裁剪、平移等操作实现数据集增强。最后,设置三组对比实验来评估两个缺陷数据集和YOLOv3-M算法。实验一,在YOLOv3算法中运行两个缺陷数据集和Dataset数据集,测试结果是三种数据集的检测速度相近,Dataset数据集的检测精度略高。实验二,使用手机屏幕缺陷数据集训练并测试YOLOv3和YOLOv3-M模型的性能,模型修改前后对应的m AP分别为78.2%和83.4%,增长5.2%。实验三,在两种检测算法中运行铝材瑕疵数据集,YOLOv3-M获得的m AP为82.6%,相比YOLOv3提高3.4%。并且在实验二、三中,两种算法获得的FPS均在35左右。实验结果表明,YOLOv3-M算法由于引入多尺度特征融合检测技术、Kmeans++聚类函数和基于GIOU的损失函数,对于工业领域中表面微小缺陷的检测任务,可以在保证检测速度的前提下,获得更高的检测精度。