基于数字图像处理和机器视觉的自动化缺陷检测技术由于具有检测速度快、人工成本低和检测结果稳定可靠等特点,被广泛地应用于缺陷检测领域。但是在许多产品的缺陷检测中,由于图像的结构复杂,传统的计算机视觉技术很难提取到合适的特征向量,检测效果不佳。在这种情况下,神经网络技术是一种更好的选择。通过设计深层的卷积神经网络结构,神经网络将获得很好的学习能力和特征表达能力,可以提取到图像的深层次特征,大大提高缺陷检测的准确率。本课题选择采用卷积神经网络作为工件缺陷检测的主要方法,并设计整体系统以实现检测过程的自动化,具有重要的学术和应用价值。为了对工件表面状况不一的缺陷进行准确的检测,本文设计了一套缺陷检测系统,包括硬件部分和软件部分。系统的硬件部分用于获取高质量的工件图片,而软件部分包括工件图像的缺陷区域分割、分割后工件图像的特征提取以及工件质量的最终判别三个部分,其中工件图像的缺陷区域分割算法是整个系统设计中最重要的部分。由于传统的图像分割算法难以达到本系统的设计要求,所以本文提出使用语义分割网络作为工件图像的缺陷区域分割算法,并依据工件的缺陷特征设计了用于工件图像缺陷区域分割的语义分割网络,缺陷分割网络DSN。该网络的功能是使原图中的缺陷区域在结果图中被标记为特定的像素值,而图中的非缺陷区域像素值保持不变,以此达到区域分割的效果。然后利用生成式对抗网络模型训练缺陷分割网络,使其获得更好的工件图像处理性能。通过对比实验,验证了利用生成式对抗模型训练的缺陷分割网络具有良好的缺陷检测能力,并确定了最适合本项目的缺陷分割网络结构。