在这个智能信息化时代,智能制造将会是制造业未来发展的必然趋势。产品检测是智能制造产业链中至关重要的一个过程。随着现代制造业的快速发展,在产品工业精度的要求下,针对大视野产品表面缺陷检测得到广泛提倡,基于此本文主要从大视野图像数据获取和缺陷检测两方面展开研究。针对大视野图像数据获取,本文设计了一种相机拍摄水平移动的最优路径算法,以便快速高效的获取图像数据,为实验研究做数据准备。该算法的设计是在“先粗后精,由果索因”的指导思想下完成的,首先,粗略的以两幅图片重叠率为10%作为相机移动步长拍摄图片,进而以10%为间隔递增设置重叠率并拍摄图片,之后根据收集的数据进行仿真实验,根据实验相关指标值给出大致的可以满足图像稳定拼接的重叠率范围,之后依据待拍工件表面尺寸与单次拍摄视域所覆盖面积之间的关系进行迭代优化,精细化邻次拍摄图像间的重叠率,进而给出相机拍摄移动步长。进一步地通过对该算法复杂度及收敛性分析可知,算法复杂度是O(n),快速收敛,结合观察分析图像拼接实验结果可知,本文所设计的算法在大规模待拼接图像数据获取方向具有一定程度的参考价值。针对工件表面缺陷检测,受模型迁移学习、迁移应用思想启发,本文在模型参数迁移应用思想引领下,利用滑窗裁切技术,建立了一种可用于检测大视野图片的缺陷检测模型。该模型大体由三部分构成,即先通过搭建Darknet-53深度学习网络架构,建立基于Yolov3算法实现的缺陷检测模型,之后基于滑窗裁切思想修改该模型的全连接层构建出大视野工件表面缺陷检测模型。根据实验条件,我们优先训练基于Yolov3算法实现的缺陷检测模型,由训练模型对实验数据集进行测试,模型性能评价指标平均精确率均值(m AP)及正样本召回率(Recall)均高达90%以上,分别为90.81%和98.99%.此时将该模型相关参数迁移应用到我们的新模型中,并进行缺陷检测实验,实验结果显示,原模型对大视野图片中的缺陷检测出现了很大程度的漏检以及能检测到的缺陷给出的准确率也有所下降的情况,而对比我们的新模型,改善了漏检情况和提升了同一处缺陷检测的准确率。此外结合模型的实用价值分析给出了将模型应用于生产中的落地思考。