随着经济的发展，我国工业产能的增长与劳动力短缺的矛盾日益凸显，工业生产中的人工环节成为制约企业生产能力增强和产品质量提升的瓶颈，制造业中的人工质检环节占比达到30%~50%，通过自动化技术和智能化技术解决制造业中的表面缺陷检测问题是解放人力实现智能制造的重要一环。近年来，深度学习在图像检测和语音识别等领域的发展日渐成熟，深度学习技术的应用范围也越来越广，其中目标检测技术在表面缺陷检测中得到一定程度的应用。但由于表面缺陷检测任务本身的特点，深度学习在表面缺陷检测上的应用仍然存在一些问题。本文从对表面缺陷图像特点的理解出发，立足实际应用需求，围绕表面缺陷检测图像采集困难、样本数量少、语义信息少的问题展开深入研究。本文主要的研究贡献如下：

(1)提出了一种基于缺陷区域引导的随机切割数据增广与预分割的表面缺陷检测算法。

工业生产中的表面缺陷图像的样本量较少，但深度学习模型训练需要大量的样本。针对这一问题，本文提出了一种基于缺陷区域引导的随机切割数据增广与预分割的表面缺陷检测算法，利用表面缺陷的局部可辨识性特点对缺陷样本进行有效增广，从而使样本量快速增长，实现基于少量样本即可达到较好的表面缺陷检测效果。

(2)提出了一种基于ResNet和DenseNet结合的表面缺陷检测算法。

相对于自然图像，表面缺陷检测具有背景单一、语义信息少、纹理特征丰富的特点。针对这一特点，本文提出了一种基于ResNet和DenseNet结合的表面缺陷检测算法。利用DenseNet较强的特征提取能力结合ResNet的跨层结构使模型能够提取到表面缺陷图像丰富的底层信息。经过实验验证，针对手机玻璃盖板图像，该算法相对于ResNet、ResNeXt、DenseNet、RDN、DPN方法的检测效果更好，在平均精度上具有1.5个百分点的提升。针对自然图像，该算法相对于ResNet、ResNeXt、DenseNet、RDN、DPN方法的检测效果更好，在平均精度上具有1个百分点的提升。

(3)提出了一种多种类目标自适应的表面缺陷检测系统。

在实际应用中，表面缺陷图像的采集系统大多针对特定的质检对象进行定制化设计，无法对多种类质检对象进行兼容，并且只针对二维质检对象进行采集，无法对三维几何体的表面图像进行自动采集。本文针对这一问题，研究设计了一套多种类目标自适应的表面缺陷检测系统。该系统能够自动识别质检对象的种类，根据质检对象种类自动采取相应的表面图像采集策略，自动完成质检对象多角度、全方位的图像采集和表面缺陷检测。