光纤作为光学系统的基础元件,它的质量决定整个光传输系统的性能好坏,而光纤端面检测技术是衡量光纤质量水平的重要标志。目前光纤端面的检测还依赖于传统的人眼检测,存在效率低、精度不高、耗时长等缺点。随着信息时代的高速发展以及工厂智能化水平的不断提高,传统的人工检测技术即将迎来重大变革。为了节省人力,提高检测效率,满足工业智能化发展的需求,研究光纤端面的智能检测方法,实现光纤质量检测的智能化对于光纤生产行业具有不可估量的作用。本文在深度研究目标检测、图像识别、缺陷分类的基础上,针对光纤端面的缺陷特点,提出了一种基于特征融合技术的光纤端面智能检测算法以实现光纤端面的实时检测。本文主要研究内容及成果如下:(1)针对光纤端面背景简单、缺陷大小不一的特点,在YOLOv3网络的基础上用轻量级Darknet-19基础网络来代替其基础网络,提高网络的检测速度以达到检测实时性要求。并且在特征金字塔FPN的基础结构上增加一层感受野更大的特征图,融合更低层的特征信息来提高小目标的检测效果。(2)为了解决特征金字塔直接拼接的融合方式导致信息丢失的问题,采用一种新的自适应特征融合方式ASFF,让神经网络更好地学习权重参数以寻找更佳融合方式,将不同层的特征以最佳方式融合到一起,极大地提高了光纤端面检测模型的鲁棒性。(3)光纤端面检测模型的训练采用预训练加微调的方式,通过不断的参数调优,最终在光纤端面缺陷数据上检测精度达到92.4%m AP,比YOLOv3算法高出4.2%m AP,比Faster R-CNN算法高出7.7%m AP。检测速度为41.7FPS,对比YOLOv3算法的29FPS有了明显的提升,且检测速度大大超过其他的两阶段算法。实验结果显示,本文提出的光纤端面检测模型不仅达到了实时性要求,还可以提高小缺陷的检测效果,并且提高目标检测的召回率与检测精度。(4)搭建光纤端面检测系统,通过研究系统的性能需求。设计了智能检测系统检测对五种光纤端面缺陷进行识别与分类,将图像数据和缺陷信息保存到数据库中,并且显示缺陷信息到人机交互界面上。