金属板材作为金属材料的常用形式之一,广泛应用于机械、汽车、建筑等领域。目前,各行业对其需求及品质要求也在不断增加。金属板材在加工过程中表面会产生一些不可控的缺陷,表面缺陷的存在不仅影响成品的外观还会对质量造成一定的影响。为保证流入市场金属板材的质量同时也为提高企业的竞争力金属板材表面质量的检测也就成了一个必要环节。虽然已存在多种不同类型的表面缺陷检测方式、方法,但联系实际情况并结合金属板材表面缺陷的多类别、分布不定等特点目前仍主要依靠人工目检方式实现对金属板材表面缺陷的检测。由于人工目检方式检测效率低、精度差不能很好满足企业的检测需求,因此研究并设计一套能够实现对不同类型金属板材表面缺陷精确检测与识别的技术方案具有重要意义。通过对传统视觉检测、图像处理及深度学习经典模型、图像分类等的相关的知识研究,设计了一种检测精度较高、检测速度较快的、成本较低的缺陷检测系统。主要研究内容包括:缺陷检测系统硬件模块的设计。对检测系统整体工作流程进行说明介绍并结合实际检测需求对检测系统的相机、镜头、光源等硬件部分进行详细设计选型。完成对硬件设计选型后进行实验平台的搭建及调试。缺陷检测系统图像预处理模块的设计。该模块首先通过图像预处理算法对图像进行一定的预处理操作。随后,对预处理后的图像进行疑似缺陷的检测,若未检测出疑似缺陷则认为该板材为正常检测板材,若检测出疑似缺陷则对疑似缺陷区域进行提取并将提取结果传输至改进Inception-V3模型进行精确地检测与识别。疑似缺陷精确检测识别模块的设计。通过分析对比基于R-CNN+SVM的缺陷检测方法、基于GAN+LBP的缺陷检测方法及基于Inception系列模型检测方法后选择使用Inception系列模型中的Inception-V3模型实现对金属板材表面缺陷的精确检测与识别,为满足实际检测需求对Inception-V3模型进行相应的改进。数据集的制作。构建了一个包含一类正常金属板材五类缺陷金属板材的数据集,为解决数据样本不足问题采用随机裁剪、平移、翻转等方式对原始数据进行扩充,扩充后数据集共计5200张图片其中正常金属板材2000张,漏底、脏点、擦花、橘皮、碰伤五类缺陷金属板材总计3200张。按照大约8.5:1比例选取600张图片组成测试集用以测试模型性能。实验结果表明基于改进Inception-V3模型整体检测精度达到了91.15%明显优于其它两种检测方法。检测系统软件的开发与设计。开发与检测系统配套的检测软件并利用金属板材图像验证软件检测功能及实际工作情况。检测系统在实际检测中由于图片在输入深度学习模检测型前经过了图像预处理操所以整体检测精度有了一定的提高达到了92.42%。对检测时间而言系统对于单张无缺陷金属板材的检测时间在1.5s以内,对于缺陷金属的检测在3.2s以内。证明检测系统在检测精度与检测速度上满足使用需求。