在光伏电池的大规模生产中,由于工业生产条件的制约,其表面不可避免的会产生一些细微的缺陷,如微裂纹、缺角等,这些缺陷会降低硅片的强度,并可能导致太阳能电池生产过程中的严重故障,从而影响转换效率,最终缩短使用寿命,因此,必须对太阳能硅片表面进行缺陷检测。近年来,用机器视觉代替人类视觉进行硅晶片图像的缺陷检测,不仅节约人力成本,还具有很强的高效性和灵活性,已成为光伏硅片生产线上必不可少的环节。而传统的机器视觉工业缺陷检测算法依赖于光学器件的成像原理判断或人为设计的缺陷特征,存在诸多主观性,且人工成本高,检测准确率低,速度慢,无法适应缺陷的多样性,稳定性不高。随着深度学习技术的发展,工业领域的缺陷问题出现一线生机,通过数据标注,模型训练可以有效解决检测难题。为此,本文以硅片缺陷图像为研究对象,利用深度学习强大的特征学习和非线性表征能力,设计适应于工业生产背景的缺陷在线检测算法,主要完成了以下工作:第一,构建了硅片缺陷图像数据集。结合深度学习网络训练的预处理方案,分析整理真实工业现场的缺陷数据,利用图像标注系统对两种缺陷类型进行目标区域标注,并将像素信息生成结构化存储格式,实现信息化处理,以便后续的算法研究。第二,提出优化锚点集的硅片图像缺陷检测方法,并将之用于Faster RCNN网络进行缺陷检测,有效解决了裂纹图像目标区域小,缺陷区域占比低所带来的检测准确率低的问题。为了能同时检测出不同大小的缺陷,减小小目标区域带来的误差,首先,从数学理论分析的角度设计一种锚点的优化选择方案;然后,利用优化后的锚点集训练缺陷检测模型;最后,在网络特征提取部分,采用Faster R-CNN检测网络融合残差结构,利用残差块的瓶颈结构进行浅层图像表征,实现增强网络信息学习的同时降低模型计算量。实验结果表明,构建的优化锚点集的硅片缺陷模型检测准确度达到94.1%,检测时间达到160ms,满足工业生产的需求。第三,提出一种信道剪枝的优化方法,并将之用于SSD网络减少其网络训练参数,降低复杂度,有效解决了深度学习网络深复杂性造成的检测速度慢、实时性差等问题。首先,通过对信道尺度因子施加L1正则项系数来增强卷积层的信道稀疏性,实现模型轻量化处理,提升检测速度;然后,在网络特征提取部分,采用多尺度特征金字塔优化SSD检测网络,对输入的硅片图像在卷积特征提取时进行分层预测,学习高层语义特征,提升传统算法对小目标的检测精度。实验结果表明,这种特征金字塔优化SSD模型的轻量化缺陷识别方法可以实现不损失检测精度的同时大幅度降低检测时间。