导光板是液晶显示屏背光模组中的关键部件,其质量好坏直接影响画面的品质效果。在导光板的生产制造过程中,由于原料成分、设备使用情况、加工工艺以及工人操作等因素的影响,其表面不可避免地会出现脏污、点伤、划伤等加工缺陷。为此,必须对导光板进行缺陷检测。当前导光板表面缺陷仍主要由人工肉眼观察进行检测,仅有少数生产厂家利用传统的图像处理方法进行检测。由于导光板缺陷极其微小,且不同缺陷的特征各异,以及导光板上的导光点分布密集、不均匀等纹理特点,导致传统的图像处理检测方法需要视觉工程师进行大量的特征提取工作,进而造成昂贵的代码维护成本,准确率低且稳定性差。本文针对单边侧入光式导光板提出两种基于深度学习的缺陷检测方法。这两种方法通过训练神经网络的方式来自主学习提取导光板缺陷图像特征。通过与传统图像处理方式检测导光板表面缺陷方法进行对比,本文提出的方法能够有效减少缺陷特征提取算法编程工作量和代码维护成本,同时能够提高导光板缺陷检测的稳定性和准确率。本文的具体研究内容如下:（1）根据导光板的外观特征和厂家对缺陷检测的精度要求,设计一套导光板表面缺陷检测视觉方案,主要包括工业相机、镜头、光源、图像采集卡、工控机的硬件选型。通过整体的平台搭建来获取导光板图像;并利用传统图像处理方法对采集到的导光板图像进行预处理,提取出感兴趣区域对应的图像。（2）利用基于深度学习的分类器实现对导光板缺陷的粗略定位检测。通过制作导光板切片图像的二分类数据集,利用迁移学习将预先训练好的分类网络GoogLeNet-V1对该数据集进行再训练并对二分类模型进行评估,利用该二分类模型完成导光板缺陷的粗略定位。通过与传统图像检测方法对比,该方法有效提升了缺陷检测准确率和稳定性。（3）利用基于深度学习的图像语义分割技术实现对导光板缺陷的像素级精确定位检测。对导光板切片图像缺陷进行标记,制作缺陷分割数据集,利用迁移学习将预先训练好的语义分割网络PSPNet对该数据集进行再训练并对缺陷分割模型进行评估,结合简单的机器视觉方法,对深度学习语义分割方法检出的疑似缺陷区域进行二次判断筛选。通过与传统图像检测方法和本文基于深度学习的分类器缺陷检测方法对比,该方法在缺陷检测准确率上分别提升了 3.2%和1.9%。