工业生产中,快速准确地检测产品质量,对于提高企业效益至关重要。人工检测方法是目前大多数工业生产仍广泛采用的检测手段,但随着社会的发展,产业转型“高精尖”,人口老龄化问题日益严重,人力成本不断攀升,人工检测方法日益不能满足产品质量和生产效率的要求。人工检测具有受检测者知识技能水平、工作环境以及疲劳程度等诸多客观和主观因素的影响,不能保证检测结果的标准化和稳定性。而产品表面质量的视觉检测,主要是利用光学成像方法采集产品的表面图像,并以目标检测技术进行检测。与人工检测方法相比,目标检测技术不受主客观条件的限制,可以实现非接触式的快速在线检测。在产品表面质量检测中,目标检测是指在采集到的产品表面图像中,指出目标例如缺陷可能存在的位置,并提供较为完善的类别位置信息。由于完全利用人工进行检测费时费力,而基于目标检测的视觉检测方法速度快、稳定性好,已被近些年工业界系统开发重点关注,获得了广泛的应用。产品表面质量检测主要有两种研究手段:基于人工设计特征结合机器学习分类器的目标检测方法和基于深度学习的自提取特征的目标检测方法。由于人工设计特征要求设计人员具有丰富的先验知识,而且基于人工设计特征的算法很难推广到其他相关的应用或重复使用,所以针对在复杂工业环境下获得的产品表面图像的检测效率和检测精度等问题,提出基于深度学习的自提取特征的目标检测方法,主要研究内容如下:(1)针对深度学习的自提取特征的目标检测方法,基于对SSD回归目标检测算法的改进,提出了轻量级目标检测网络IV-Mobile Net-SSD检测算法。IV-Mobile Net-SSD以Mobile Net的主要结构深度可分离卷积重新设计基础主干特征提取网络,并将基础网络中的特征层替换为Inception结构,极大的减少了模型的计算消耗,很好的平衡了检测精度与检测速度的矛盾。(2)进一步考虑到IV-Mobile Net-SSD对小目标检测的丢失问题,通过级联LSTM-Attention提取的全局上下文信息特征图进行检测,提出一种多类型特征图级联的IVC-Mobile Net-SSD检测算法。另外,通过K-means均值聚类算法挖掘了数据集模板框纵横比参数以提高检测精度。改进了损失函数加快模型训练收敛。实验表明网络收敛速度加快,并且小目标的检测性能得到了改善。(3)本文基于机器视觉方法,建立了一个基于Windows平台的手机偏光片实时检测系统。系统包含图像采集、图像预处理、偏光片表面质量检测及软件界面设计共四个模块,基本满足设计功能需求。测试结果表明:单张图像检测流程耗时200～700ms,检测的准确率高达85.1%。