制造业是国民经济的主题,随着中国制造2025的提出,制造业亟需改革的就是生产工艺以及检测手段,传统的检测方法主要是人工目检,无法实现24小时在线质检,这在一定程度上会导致工作进度缓慢。随着智能化检测成为大势所趋,能有效克服传统人工的不足。冲压件是一种典型的零件,工艺难度不同,但是随着生产速度的加快,缺陷概率也会增加,对其进行快速缺陷检测是十分有必要的。本文针对冲压件表面缺陷的快速识别问题,对图像处理方法、图像缺陷特征提取算法以及缺陷区域识别算法进行结合,实现了对冲压件缺陷分类和缺陷区域量化的深入研究。在对于冲压件表面缺陷的快速识别方面,提出了基于残差神经网络的冲压件表面缺陷快速检测的方法研究。在本文的方法研究中,首先设计了自动化采集图像的实验装置并对相关参数进行了计算,采集了7类包括凹坑、多孔、划伤、毛刺、缺孔、污渍以及正常的零件的图像,并对图像进行预处理;搭建了深度为50层的残差神经网络作为主干网络提取缺陷特征以及区域识别的神经网络Fast-RCNN,实现对冲压件的缺陷识别和缺陷区域标记,而且整体的网络宽度小,所需参数少;在开源框架下搭建了上述网络之后进行单类和混合的测试和优化。然后将得到的缺陷图像进行全局阈值的二值化处理,提取了三通道分别进行二值化对比,选取最优通道的二值化图像再和标准图像下的二值化图像分别进行快速卷积计算,运用不同的卷积核,确定缺陷区域的位置和缺陷像素数量,依据最小像素尺寸计算缺陷面积。最后,利用Labview软件为装置的控制以及缺陷信息的实时显示设计制作了操作界面,便于控制和监测、也降低了学习成本。实验先对获得的图像完成预处理,获得规范的图像尺寸,再制作数据集并划分训练集和测试集,然后分别对单类缺陷进行了特征训练和测试,其中毛刺和划伤的识别准确率较低,分别是85.35%和87.42%,污渍类别的识别准确率较好为92.33%。最后再对全部的数据集进行混合训练测试,得到的7类样本的平均准确率为89.55%。