随着科学技术的发展,越来越多的技术开始应用在工业生产上。目前由于各种方面的问题,在铝型材的实际生产过程中,在其表面上会产生各种瑕疵,如划伤、脏点、涂层开裂等等。这些瑕疵对铝型材的质量造成了严重的影响,使产品在市场上的竞争力下降。在目前的生产过程中,都是通过人工肉眼进行检测。但是,人工肉眼检测有着很多的不足,质量检测标准和效率很难把控。本文针对这种情况,设计了一套铝型材表面瑕疵识别系统。引入深度学习设计了基于Web的模型训练管理平台系统和基于PyQt的实时瑕疵识别系统。本文工作主要涉及以下部分:1.通过需求分析,设计并且实现了基于Web的模型训练管理平台。该平台实现了数据集管理、训练管理、模型管理、在线检测以及用户管理等功能。用户可以在该平台上传自制数据集,选择预设的识别算法,设置相关训练参数,开启基于深度学习的定制网络模型训练任务,得到可下载的推理模型。此外用户还可以上传铝型材表面图片使用已训练好的模型进行在线检测。2.设计并实现了实时瑕疵识别系统。其能够实时采集铝型材表面图片,调用识别模型进行实时预测推理并在应用界面上显示。结合工业场景方便携带的需求,实时瑕疵识别系统部署在英伟达Jetson Nano的开发板上。3.实现了瑕疵识别算法。实现四种神经网络目标识别算法YOLOV3、SSD、YOLOV3-TINY 以及 YOLOV3-MobileNetV3,使用自己标注的铝型材图像数据集对这四种算法进行训练,同时阐述训练过程中调参过程,并对这四种算法在测试集上的表现进行对比。YOLOV3-TINY和YOLOV3-MobileNetV3检测速度最快,主要负责实时瑕疵识别系统的应用。YOLOV3和SSD模型的精度相对较高,但受硬件资源限制,主要应用于模型训练管理平台的在线任务。4.完成了系统测试。针对系统的各个模块的功能进行对应测试,并在此基础上进行了系统的整体测试,系统的表现达到预期效果。同时在性能方面测试了实时瑕疵识别系统的图像检测帧率,YOLOV3-TINY和YOLOV3-MobileNetV3模型能够跑到7帧左右,满足其实时性的要求。模型训练管理平台能够在模拟实际应用下保持长时间稳定运行。